MultiAlign — a zero-dependency, fully client-side workbench for building sentence-aligned multilingual parallel corpora (5–10 language versions at once), with Gale-Church automatic alignment, human review, and TMX/Excel export.
一个纯前端、零依赖、双击即用的多版本双语/多语句子对齐语料库构建工具。参考 tmxmall 等专业对齐平台的四步式工作流，支持 5–10 个语言版本一次生成句句对齐的多语对照表，并可导出 TMX 等标准格式。
👉 在线使用：https://tanyaqiongcode.github.io/multi-align/ （纯静态页面，语料仅在浏览器本地处理）
导入 TXT / SRT / VTT 等原始文件：进入工作台，点击「导入文本／字幕」，可多选文件自动建立版本；已有版本可用卡片中的「导入文件」替换。「打开工程（JSON）」仅用于恢复此前保存的工程，不用于导入文本或字幕。
| 首页 | 审校编辑器（6 语对照） |
|---|---|
 |
 |
无需安装任何东西：双击 index.html（推荐 Chrome / Edge / Safari 16.4+），点击「📚 载入多语示例」即可看到 6 个语言版本的完整对齐演示。也可以直接把它部署到任意静态托管（GitHub Pages / Vercel / Nginx）后在线使用。
| 步骤 | 做什么 | 说明 |
|---|---|---|
| 1️⃣ 导入文本 | 添加 2–10 个语言版本 | 粘贴文本，或导入 .txt / .md（自动识别 UTF-8/GBK/Big5）/ .docx；指定语言、勾选基准语（通常是原文） |
| 2️⃣ 自动对齐 | 一键运行 | Gale-Church 统计算法 + 数字锚点 + 词汇相似度；每个译本与基准语对齐后自动合并成多语对照表 |
| 3️⃣ 审校编辑 | 人工修正 | 单击单元格直接改；行合并/拆分/增删/移动、单元格拆分、行锁定、置信度筛选、搜索替换、撤销重做 |
| 4️⃣ 导出语料 | 产出成果 | TMX / 两两双语 TMX(ZIP) / XLSX / CSV / TSV / TXT / JSON 工程文件 |
- 多版本对齐：以基准语为枢纽，各版本独立对齐后经并查集合并为翻译单元（TU），一行即一条多语对照记录
- 智能句对齐：1-1 / 1-2 / 2-1 / 2-2 / 1-0 / 0-1 六种句对自动识别；长文本自动滑窗分块，数千句可流畅处理
- 多语分句：中/日/韩/西文各自规则；识别缩写（e.g.、Mr.、Dr.）、小数、引号闭合，避免误切
- SRT/VTT 字幕对齐：导入双语字幕文件，按台词时间轴自动对齐，导出多语合并字幕（播放器可直接挂载）与各语言单语字幕
- 可选私有统计：站长可部署自建端点查看使用数据（匿名事件计数，不含文本），默认关闭
- 跨文种长度校准：汉字≈2.3 个西文字符的加权长度，使中英对齐同样可靠
- 精细审校：置信度分级标色（🟢高/🟡中/🔴低/🟣已改），支持只看低置信行，批量锁定后按锁定导出
- 隐私安全：全部计算在浏览器本地完成，文本永不上传任何服务器；可选匿名统计只记事件计数、默认关闭；工程可存 JSON、浏览器自动保存防丢失
- TMX 多语言版：TMX 1.4 标准，一个
<tu>内含全部语言<tuv>，OmegaT / Trados / memoQ 均可导入 - 两两双语 TMX（ZIP）：基准语 × 每个译本各一个双语 TMX，适合按语向分发
- XLSX / CSV / TSV：行号 + 各语言列（可选置信度列）；CSV 带 BOM，Excel 打开不乱码
- TXT：制表符分隔的平行文本，可直接用于机器翻译训练流水线
- SRT 字幕：多语合并字幕（每条台词多行对照）+ 各语言单语字幕 ZIP，时间轴取自基准语
- JSON 工程文件：完整工程（文本+参数+审校结果），随时打开继续
index.html 页面骨架（首页 / 工作台四步 / 使用指南 / 关于）
css/style.css 全部样式
js/util.js 字符类别、加权长度（汉字≈2.3 西文字符）、通用工具
js/segmenter.js 多语分句、语言检测、数字/词汇特征
js/aligner.js Gale-Church 动态规划对齐 + 段落锚定 + 滑窗分块
js/merge.js 基准语枢纽 + 并查集 → 多语翻译单元
js/docximport.js DOCX 解包（内置 ZIP 读取）与 TXT 编码识别
js/exporters.js TMX / XLSX（内置 ZIP 写入）/ CSV / TSV / TXT 导出
js/sample.js 内置 6 语示例（中/英/日/法/德/西）
js/app.js 界面状态机：四步流程、审校编辑器、搜索替换、自动保存
agent-skill/ AI 开发技能包（见下节）
仓库附带一份 ZCode 技能包 agent-skill/：封装了本工具的算法规格、模块约定、已知陷阱与一条无头回归测试。把你的 AI 编码助手指向本仓库时，让它先读 agent-skill/SKILL.md，即可安全地扩展语言、调参、加导出格式而不破坏现有行为。
运行回归测试（无需浏览器，约 2 秒；数量以脚本输出为准）：
node agent-skill/scripts/pipeline_test.js # 默认测试仓库自身
node agent-skill/scripts/pipeline_test.js <目录> # 测试其他副本每次推送都会在 GitHub Actions 上自动执行两层检查：
- 回归测试：当前 58 项断言（数量以脚本输出为准），覆盖多语分句（缩写/小数/引号/有序列表标号）、对齐珠型、翻译单元合并、导出器 ZIP/XML 完整性与 openpyxl 打开校验、DOCX 导入、GBK 编码识别、SRT/VTT 字幕全链路、导出编排层与统计模块默认静默。其中 1 项为环境可选检查（DOCX 往返需要 python-docx）：缺库时自动跳过而非失败，CI 环境已安装故全量执行；
- 导出编排 E2E：无头 Chrome 走完"导入字幕 → 对齐 → 导出"，真实点击 TMX / SRT / SRT ZIP 三条路径并断言下载触发（
bash test/run_e2e.sh）； - 金标准对齐基准：内部小型回归集（自建用例、人工标注），16 个多语用例（中英 / 中日 / 英法 / 英德 / 英西）覆盖 1-1 / 1-2 / 2-1 句对变换、段落锚定、数字锚点、字幕时间轴锚点、学术结构（标题/列表/脚注上标）、OCR 轻噪声、错段兜底与 1800 句滑窗长文本；13 个计分用例宏平均 F1 = 100%（衡量"已声明能力不被改动破坏"，不代表公开大规模语料上的通用准确率），另有 3 个 xfail 用例如实标注长度模型的已知局限；包含 Tatoeba 真实公开语料用例（CC-BY 2.0 FR，100 对）；CI 在计分用例 F1 < 97% 时拒绝合并。核心模块设有覆盖率门槛（
test/check_coverage.js，c8 统计，CI 版本锁定）；CI 含依赖审计（npm audit，high 级阻断）；CSV/TSV 导出内置公式注入防护（详见 SECURITY.md）。
node benchmark/run_benchmark.js --verbose # 本地复跑基准，查看逐珠差异能力边界（诚实声明）：孤立的句中漏译/增译（1-0/0-1）检测是长度统计模型的原理性局限，详见 benchmark/README.md 路线图。
自托管于 Cloudflare Worker（免费额度）：统计独立访客（UV）、浏览量（PV）、复访率、平均停留时长与对齐/导出/字幕导入等事件计数。设计原则：
- 匿名：无 Cookie，客户端标识为本地随机 UUID；只上报事件计数，用户的文本内容永远不会被发送；
- 私有：数据存在站长自己的 KV 存储，查看需管理密钥，第三方（包括本项目作者之外的人）无法读取；
- 默认关闭：
js/analytics.js的端点未配置时，页面保持零统计请求。
部署约 10 分钟，步骤见 analytics/README.md；查看数据用 analytics/dashboard.html 仪表盘（输入你的 Worker 地址与密钥，密钥只存本机浏览器）。
# 任意静态服务器即可
python3 -m http.server 8000
# 打开 http://localhost:8000无构建步骤、无 npm 依赖；改动 js 后刷新页面即生效。算法层（segmenter/aligner/merge/exporters）可在 Node 中直接 require 做无头测试。
- 保持各版本自然段数量一致（空行分段）——段落数一致时自动启用段落锚定，准确率提升最明显
- 译文中保留数字、日期、百分比——它们是对齐的强锚点
- 优先审校红色（低置信）行：多为长句合并或未匹配句段
- 法律/新闻类长句可开启「分号视为句界」
- 文本内容零上传：断网也能完整使用；默认状态下页面无任何网络请求
- 可选的匿名使用统计（仅事件计数，不含文本）为站长自建端点，见 analytics/README.md
- 浏览器本地自动保存（localStorage），可一键恢复；
Ctrl+S随时导出工程 JSON 备份
引用本项目：
@misc{multialign2026,
title = {MultiAlign: A Zero-Dependency Client-Side Workbench for Multilingual Sentence Alignment},
author = {tanyaqiongcode},
year = {2026},
howpublished = {\url{https://github.com/tanyaqiongcode/multi-align}},
note = {Online demo: https://tanyaqiongcode.github.io/multi-align/}
}对齐算法基于：William A. Gale & Kenneth W. Church (1993). A Program for Aligning Sentences in Bilingual Corpora. Computational Linguistics 19(1):75–102.
@article{gale1993program,
author = {Gale, William A. and Church, Kenneth W.},
title = {A Program for Aligning Sentences in Bilingual Corpora},
journal = {Computational Linguistics},
volume = {19},
number = {1},
pages = {75--102},
year = {1993}
}MIT © 2026 tanyaqiongcode