fast-translate

Tradução offline rápida em CPU, 100% local e sem dependências externas:

• en -> pt-BR
• pt-BR -> en

from fast_translate import Translator

tr = Translator()
print(tr.translate("How are you today?"))               # -> "Como você está hoje?"
print(tr.translate("Como você está hoje?", "pt-en"))    # -> "How are you today?"
tr.close()

O que mudou na 0.2.0

A versão 0.2.0 substitui o translateLocally por um motor de tradução próprio, escrito em Rust e embutido no pacote. O comportamento e a API são os mesmos; o que muda é o que roda por baixo.

• Self-contained de verdade. Não há mais binário externo, subprocesso, Native Messaging, dependência de Qt, nem download de nada em tempo de execução. Os modelos en-pt e pt-en já vêm dentro do pacote. pip install e pronto.
• Muito mais rápido em escala. ~5,9× mais vazão com múltiplas threads e cauda de latência (p95) ~5× menor — não há mais o custo e a instabilidade do subprocesso.
• Memória estável e compartilhada. O modelo é carregado uma vez e compartilhado entre todas as threads. Sem cópia por thread e sem crescimento ao longo do tempo (o problema de RAM que crescia com o translateLocally acabou).
• Thread-safe. A tradução libera o GIL, então basta compartilhar uma instância de Translator entre threads para escalar entre os núcleos da CPU.
• Mesma qualidade. Em frases reais a saída é idêntica à do translateLocally.
• Sem novas dependências Python. O pacote não requer mais httpx/zstandard.

Instalação

pip install fast-translate

Wheels pré-compiladas são publicadas para Linux, macOS e Windows — não é preciso ter Rust instalado para usar. (Para compilar do código-fonte é necessário o toolchain Rust e um compilador C.)

Uso

from fast_translate import Translator

tr = Translator()
tr.translate("The children were playing happily in the garden.")   # en -> pt-BR
tr.translate("As crianças estavam brincando no jardim.", "pt-en")  # pt-BR -> en
tr.close()

Alta vazão — compartilhe uma instância entre threads:

import concurrent.futures as cf

tr = Translator(cache_size=1024)
with cf.ThreadPoolExecutor(max_workers=8) as ex:
    results = list(ex.map(tr.translate, sentences))
tr.close()

Translator também funciona como context manager (with Translator() as tr: ...).

Conteúdo técnico (código e LaTeX)

Trechos de código e fórmulas são preservados; só o texto natural ao redor é traduzido:

• código: ```...```, ~~~...~~~, inline `...`
• LaTeX: $$...$$, \(...\), \[...\] e ambientes (equation, align, ...)

Desempenho

AMD Ryzen 7 3700X (8 núcleos), frases reais, sem cache. Antigo = translateLocally via subprocesso (um worker); Novo = motor Rust em processo:

O ganho está na vazão e na cauda de latência (eliminar o subprocesso/IPC). A latência mediana de uma chamada isolada é um pouco maior, porque o motor usa f32 portável em vez das kernels int8 do bergamot — em cargas com muitas frases, a vazão domina.

Memória

O modelo é carregado uma vez e compartilhado entre as threads; não cresce com o tempo.

Para RAM mínima: carregue só a direção que usa (o carregamento é preguiçoso, na primeira chamada) e compartilhe uma única instância de Translator entre as threads.

Variáveis de ambiente

• FAST_TRANSLATE_CACHE_SIZE — tamanho do cache LRU (default 64)
• FAST_TRANSLATE_CACHE_MAX_ENTRY_CHARS — tamanho máximo por item de cache (default 512)

Como funciona (resumo)

O motor reimplementa em Rust o modelo bergamot tiny11 (encoder transformer de 6 camadas + decoder SSRU de 2 camadas, com shortlist léxica e decodificação greedy), carregando os pesos int8 embutidos e a tokenização SentencePiece. Uma fina camada Python cuida do cache, do pós-processamento pt-BR e da preservação de código/LaTeX.