一、实现基于已有字典的整句翻译 #

你已经有了英意对照字典，要实现“存在的词翻译，不存在的保留”很简单，核心思路就是拆分句子为单词→逐个查询字典→拼接结果。

直接上代码，完全匹配你的需求：

english_italian = {"hey": "ciao", "my": "mio", "name": "nome"}

def translate_sentence(sentence, translation_dict):
    # 按空格拆分句子成单词列表
    words = sentence.split()
    # 逐个处理：字典里有对应翻译就用，没有就保留原词
    translated_words = [translation_dict.get(word, word) for word in words]
    # 把处理后的单词重新拼成句子
    return ' '.join(translated_words)

# 测试你的例子（注意：你输入里的"hello"不在字典中，所以会保留原词；如果是想翻译"hey"的话替换成"hey"就能得到"ciao mio nome is Mario"）
input_sentence = "hello my name is Mario"
output = translate_sentence(input_sentence, english_italian)
print(output)  # 输出: hello mio nome is Mario

另外补充个小细节：如果要处理大小写（比如输入是"My"而不是"my"），可以调整成大小写不敏感的查询，同时保留原单词的大小写格式：

def translate_sentence_case_insensitive(sentence, translation_dict):
    words = sentence.split()
    translated_words = []
    for word in words:
        lower_word = word.lower()
        translation = translation_dict.get(lower_word, word)
        # 原单词首字母大写的话，翻译后的词也调整为首字母大写
        if word.istitle():
            translated_words.append(translation.title())
        else:
            translated_words.append(translation)
    return ' '.join(translated_words)

二、如何制作一个完整的语言翻译器 #

如果想做更专业的翻译器，而不是基于固定字典的简单替换，可以分这几个方向入手：

1. 调用现成的翻译API #

这是最快捷的方式，不需要自己训练模型，比如用deep-translator库（支持谷歌、百度等多个翻译引擎）：

from deep_translator import GoogleTranslator

def translate_with_api(text, target_lang="it"):
    # source设为auto可以自动识别源语言
    return GoogleTranslator(source='auto', target=target_lang).translate(text)

print(translate_with_api("hello my name is Mario", target_lang="it"))  # 输出标准意大利语翻译

这类API支持几十种语言，准确率高，适合快速搭建翻译工具。

2. 使用预训练的开源翻译模型 #

如果不想依赖第三方API，可借助Hugging Face的transformers库加载现成的预训练模型（比如MarianMT系列，支持多语言互译）：

from transformers import MarianMTModel, MarianTokenizer

# 加载英意翻译的预训练模型
model_name = "Helsinki-NLP/opus-mt-en-it"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)

def translate_with_pretrained_model(text):
    # 预处理文本
    inputs = tokenizer(text, return_tensors="pt", padding=True)
    # 生成翻译结果
    outputs = model.generate(**inputs)
    # 解码并返回可读文本
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

print(translate_with_pretrained_model("hello my name is Mario"))

这种方式可以离线使用，适合对数据隐私有要求的场景。

3. 自己训练翻译模型 #

如果想完全自定义翻译逻辑，流程大概是：

• 收集平行语料：找英意对照的句子对数据集（比如公开的OPUS数据集）
• 数据预处理：清洗文本、分词、构建词汇表
• 选择模型架构：用目前主流的Transformer架构搭建模型
• 训练与调优：用PyTorch或TensorFlow启动训练，调整学习率、批次大小等超参数
• 评估优化：用BLEU指标评估翻译质量，迭代优化模型

不过自己训练需要大量计算资源和语料积累，适合有深度学习基础的开发者。

内容的提问来源于stack exchange，提问作者Boberto