README.md

Co-op Translator

Easily automate and maintain translations for your educational GitHub content across multiple languages as your project evolves.

Starten Sie hier: Wählen Sie Ihren Workflow | Konfiguration | CLI | Python-API | MCP-Server

🌐 Mehrsprachige Unterstützung

Unterstützt von Co-op Translator

Arabisch | Bengalisch | Bulgarisch | Burmesisch (Myanmar) | Chinesisch (vereinfacht) | Chinesisch (traditionell, Hongkong) | Chinesisch (traditionell, Macau) | Chinesisch (traditionell, Taiwan) | Kroatisch | Tschechisch | Dänisch | Niederländisch | Estnisch | Finnisch | Französisch | Deutsch | Griechisch | Hebräisch | Hindi | Ungarisch | Indonesisch | Italienisch | Japanisch | Kannada | Khmer | Koreanisch | Litauisch | Malaiisch | Malayalam | Marathi | Nepalesisch | Nigerianisches Pidgin | Norwegisch | Persisch (Farsi) | Polnisch | Portugiesisch (Brasilien) | Portugiesisch (Portugal) | Punjabi (Gurmukhi) | Rumänisch | Russisch | Serbisch (Kyrillisch) | Slowakisch | Slowenisch | Spanisch | Suaheli | Schwedisch | Tagalog (Philippinisch) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Möchten Sie lokal klonen?

Dieses Repository enthält über 50 Sprachübersetzungen, was die Download-Größe erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/Azure/co-op-translator.git
cd co-op-translator
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/Azure/co-op-translator.git
cd co-op-translator
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Das gibt Ihnen alles, was Sie benötigen, um den Kurs zu absolvieren — mit deutlich schnellerem Download.

Übersicht

Co-op Translator hilft Ihnen, Ihre Bildungsinhalte auf GitHub mühelos in mehrere Sprachen zu lokalisieren. Wenn Sie Ihre Markdown-Dateien, Bilder oder Notebooks aktualisieren, bleiben die Übersetzungen automatisch synchron, sodass Ihre Inhalte für Lernende weltweit korrekt und aktuell bleiben.

Verwenden Sie es über die CLI für Repository-Übersetzungen, über die Python-API für die Automatisierung oder über den MCP-Server für Agenten- und Editor-Workflows.

Beispiel, wie übersetzte Inhalte organisiert sind:

Warum Co-op Translator?

Eine Datei zu übersetzen ist einfach. Ein ganzes Dokumentations-Repository übersetzt, verlinkt und aktuell zu halten, ist die eigentliche Herausforderung.

Problem	Wie Co-op Translator hilft
Lange Dokumente sind kein einzelner Prompt	Große Markdown-Dateien werden in Abschnitte aufgeteilt, sodass ein langes README nicht von einer einzigen, anfälligen Modellantwort abhängt. Wenn ein Abschnitt fehlschlägt, kann Co-op Translator nur den fehlgeschlagenen Teil erneut versuchen und neu zerteilen.
Unvollständige Übersetzungen sollten nicht als aktuell markiert werden	Eine abgeschnittene Übersetzung sollte niemals als aktuell versiegelt werden. Co-op Translator prüft die Integrität von Übersetzungen vor dem Speichern und kann strukturell unvollständige vorhandene Übersetzungen erkennen.
Links sollten zur übersetzten Repo-Struktur passen	Manuelle Übersetzungen lassen oft relative Links zurück, die auf die Quellstruktur zeigen. Co-op Translator schreibt Markdown-, Notebook-, Bild- und README-Links so um, dass sie zur Struktur translations/<lang>/... passen.
Übersetzung sollte für ein ganzes Repo funktionieren	Co-op Translator behandelt README-Dateien, Docs, Notebooks und Bildtexte als Teil eines einzigen Repository-Workflows, statt Dateien einzeln zu übersetzen.
Die Pflege von Übersetzungen ist wichtiger als deren einmalige Erstellung	Quell-Hashes und Übersetzungs-Metadaten ermöglichen es Co-op Translator, veraltete Dateien zu finden, unveränderte Dateien zu überspringen und übersetzte Inhalte synchron zu halten, während sich das Quell-Repository weiterentwickelt.

Wie der Übersetzungsstatus verwaltet wird

Co-op Translator verwaltet übersetzte Inhalte als versionierte Software-Artefakte,
nicht als statische Dateien.

Das Tool verfolgt den Zustand übersetzter Markdown-Dateien, Bilder und Notebooks mittels sprachbezogener Metadaten.

Dieses Design ermöglicht Co-op Translator:

• Zuverlässig veraltete Übersetzungen zu erkennen
• Markdown, Bilder und Notebooks konsistent zu behandeln
• Sicher in großen, schnelllebigen, mehrsprachigen Repositories zu skalieren

Durch die Modellierung von Übersetzungen als verwaltete Artefakte stimmen Übersetzungsworkflows natürlich mit modernen Software-Abhängigkeits- und Artefaktverwaltungspraktiken überein.

→ Wie der Übersetzungsstatus verwaltet wird

Relevante Deep Dives

• Behebung kaputter Markdown-Dateien in der KI-Übersetzung: Härtung einer Produktionspipeline

Erste Schritte

Co-op Translator kann über die CLI, die Python-API oder den MCP-Server verwendet werden. Beginnen Sie mit dem Workflow-Leitfaden, wenn Sie zwischen lokaler Übersetzung, Automatisierung, CI und Agenten/Editor-Integration wählen.

• Wählen Sie Ihren Workflow
• Konfiguration
• Übersetzen über die CLI
• Automatisieren mit der Python-API
• Anbindung an den MCP-Server
• Ausführen in GitHub Actions

Minimales CLI-Beispiel nach der Konfiguration:

python -m venv .venv
# Windows
.venv\Scripts\activate
# macOS/Linux
source .venv/bin/activate

pip install co-op-translator
translate -l "ko" -md
co-op-review -l "ko"

Bei ersten Durchläufen in großen Repositories verwenden Sie --dry-run, bevor übersetzte Dateien geschrieben werden. Siehe die CLI-Referenz für Content-Type-Flags, Logs, Review und Linkmigration.

Schneller Container-Lauf mit Bash/Zsh:

docker run --rm -it --env-file .env -v "${PWD}:/work" ghcr.io/azure/co-op-translator:latest -l "ko" -md

Schneller Container-Lauf mit PowerShell:

docker run --rm -it --env-file .env -v ${PWD}:/work ghcr.io/azure/co-op-translator:latest -l "ko" -md

Funktionen

• Automatisierte Übersetzung für Markdown, Notebooks und Bilder
• Hält Übersetzungen mit Quelländerungen synchron
• Funktioniert lokal (CLI) oder in CI (GitHub Actions)
• Stellt Markdown-, Notebook-, Bild-, Review- und Projektübersetzungswerkzeuge über MCP bereit
• Verwendet Azure OpenAI oder OpenAI für anbietergestützte Übersetzungen
• Ermöglicht es MCP-gehosteten Agenten, Markdown- und Notebook-Abschnitte ohne Co-op Translator LLM-Anmeldeinformationen zu übersetzen
• Verwendet Azure AI Vision zur Texterkennung in Bildern und Übersetzung
• Überprüft Übersetzungsstruktur und Aktualität mittels deterministischer Prüfungen
• Bewahrt Markdown-Formatierung und -Struktur

Dokumentation

• Dokumentationsseite
• Wählen Sie Ihren Workflow
• Konfiguration
• Azure AI Einrichtung
• CLI-Referenz
• Python-API
• MCP-Server
• GitHub Actions
• README-Sprachvorlage
• Unterstützte Sprachen
• Beitragen
• Fehlerbehebung

Microsoft-spezifischer Leitfaden

Note

Nur für Maintainer der Microsoft „For Beginners“-Repositorys.

• Aktualisierung der „other courses“-Liste (nur für MS Beginners-Repositorys)

Unterstützen Sie uns und fördern Sie globales Lernen

Begleiten Sie uns dabei, die Art und Weise zu revolutionieren, wie Bildungsinhalte weltweit geteilt werden! Geben Sie Co-op Translator einen ⭐ auf GitHub und unterstützen Sie unsere Mission, Sprachbarrieren im Lernen und in der Technologie abzubauen. Ihr Interesse und Ihre Beiträge haben eine große Wirkung! Code-Beiträge und Feature-Vorschläge sind jederzeit willkommen.

Entdecken Sie Microsoft-Bildungsinhalte in Ihrer Sprache

• LangChain4j-for-Beginners
• AZD for Beginners
• Edge AI for Beginners
• Model Context Protocol (MCP) For Beginners
• AI Agents for Beginners
• Generative AI for Beginners using .NET
• Generative AI for Beginners
• Generative AI for Beginners using Java
• ML for Beginners
• Data Science for Beginners
• AI for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• PhiCookBook

Video-Präsentationen

👉 Klicken Sie auf das Bild unten, um es auf YouTube anzusehen.

• Open bei Microsoft: Eine kurze 18-minütige Einführung und eine schnelle Anleitung, wie man Co-op Translator verwendet.

  

Mitwirken

Dieses Projekt begrüßt Beiträge und Vorschläge. Interessiert daran, zum Azure Co-op Translator beizutragen? Bitte lesen Sie unsere CONTRIBUTING.md für Richtlinien dazu, wie Sie helfen können, den Co-op Translator zugänglicher zu machen.

Mitwirkende

Verhaltenskodex

Dieses Projekt hat den Microsoft Open Source Code of Conduct übernommen. Für weitere Informationen siehe die FAQ zum Verhaltenskodex oder kontaktieren Sie opencode@microsoft.com für zusätzliche Fragen oder Kommentare.

Verantwortungsvolle KI

Microsoft engagiert sich dafür, unseren Kunden zu helfen, unsere KI-Produkte verantwortungsvoll zu nutzen, unsere Erkenntnisse zu teilen und vertrauensbasierte Partnerschaften durch Tools wie Transparency Notes und Impact Assessments aufzubauen. Viele dieser Ressourcen finden Sie unter https://aka.ms/RAI. Microsofts Ansatz für verantwortungsvolle KI basiert auf unseren KI-Prinzipien der Fairness, Zuverlässigkeit und Sicherheit, Datenschutz und Sicherheit, Inklusion, Transparenz und Rechenschaftspflicht.

Große Modelle für natürliche Sprache, Bilder und Sprache – wie die in diesem Beispiel verwendeten – können potenziell Verhaltensweisen zeigen, die unfair, unzuverlässig oder anstößig sind und somit Schäden verursachen. Bitte konsultieren Sie den Transparenzhinweis des Azure OpenAI-Dienstes, um über Risiken und Einschränkungen informiert zu werden.

Der empfohlene Ansatz zur Minderung dieser Risiken besteht darin, ein Sicherheitssystem in Ihrer Architektur aufzunehmen, das schädliches Verhalten erkennen und verhindern kann. Azure AI Content Safety bietet eine unabhängige Schutzschicht, die schädliche nutzergenerierte und KI-generierte Inhalte in Anwendungen und Diensten erkennen kann. Azure AI Content Safety umfasst Text- und Bild-APIs, mit denen Sie schädliches Material erkennen können. Wir bieten auch ein interaktives Content Safety Studio, mit dem Sie Beispielcode zum Erkennen schädlicher Inhalte über verschiedene Modalitäten hinweg ansehen, erkunden und ausprobieren können. Die folgende Quickstart-Dokumentation führt Sie durch das Senden von Anfragen an den Dienst.

Ein weiterer Aspekt ist die Gesamtleistung der Anwendung. Bei multimodalen und multi-modelligen Anwendungen verstehen wir unter Leistung, dass das System so funktioniert, wie Sie und Ihre Benutzer es erwarten, einschließlich der Nicht-Generierung schädlicher Ausgaben. Es ist wichtig, die Leistung Ihrer gesamten Anwendung anhand von Metriken zur Generationsqualität sowie Risiko- und Sicherheitsmetriken zu bewerten.

Sie können Ihre KI-Anwendung in Ihrer Entwicklungsumgebung mit dem Prompt Flow SDK bewerten. Mit einem Testdatensatz oder einem Ziel werden die Generierungen Ihrer generativen KI-Anwendung quantitativ mit integrierten Bewertungswerkzeugen oder benutzerdefinierten Evaluatoren Ihrer Wahl gemessen. Um mit dem Prompt Flow SDK zu beginnen, um Ihr System zu bewerten, können Sie der Kurzanleitung folgen. Sobald Sie einen Evaluierungsdurchlauf ausgeführt haben, können Sie die Ergebnisse in Azure AI Studio visualisieren.

Trademarks

Dieses Projekt kann Marken oder Logos für Projekte, Produkte oder Dienstleistungen enthalten. Die autorisierte Verwendung von Microsoft-Marken oder -Logos unterliegt und muss den Microsoft's Trademark & Brand Guidelines entsprechen. Die Verwendung von Microsoft-Marken oder -Logos in veränderten Versionen dieses Projekts darf nicht zu Verwechslungen führen oder eine Microsoft-Unterstützung suggerieren. Jegliche Verwendung von Marken oder Logos Dritter unterliegt den Richtlinien dieser Dritten.

Hilfe

Wenn Sie stecken bleiben oder Fragen zum Erstellen von KI-Anwendungen haben, treten Sie bei:

Wenn Sie Produktfeedback haben oder beim Erstellen auf Fehler stoßen, besuchen Sie: