多语平行语料句句对齐
参考专业对齐平台流程打造：自动分句 → 智能对齐 → 人工审校 → 导出语料库。 支持 5–10 个版本的多语对齐，一次生成全部语言对照表。
四步构建平行语料库
与 tmxmall 等专业对齐平台一致的工作流
导入文本
为每个版本粘贴文本或导入 txt / docx 文件，指定语言并选择基准语。
自动对齐
基于 Gale-Church 统计算法，结合数字锚点与词汇相似度，自动句句对齐。
人工审校
表格化审校界面：合并、拆分、移动、锁定，支持搜索替换与撤销重做。
导出语料
一键导出多语言 TMX、两两双语 TMX、Excel、CSV 等格式。
核心特性
为多版本对照语料设计，不止双语
多版本对齐（5–10 种）
以基准语为枢纽，各版本独立对齐后自动合并为一张多语对照表，同一翻译单元内多句自动拼接。
智能对齐算法
Gale-Church 长度统计模型 + 跨语种长度加权（汉字≈2.3 个西文字符）+ 数字锚点 + 同文种词汇相似度。
多语自动分句
中文、日文、韩文、西文各自的分句规则；识别缩写（e.g. / Mr. / 图.）、小数与引号，避免错切。
精细审校工具
行合并 / 拆分 / 增删 / 移动，单元格级合并与拆分，行级锁定，置信度标记，搜索替换，撤销重做。
丰富导出格式
多语言 TMX（TU 内含全部语言变体）、基准语×各语言两两 TMX 打包、XLSX / CSV / TSV / TXT / JSON 工程。
隐私与可持续
纯前端实现，双击即用；文本永不上传任何服务器（可选匿名统计仅记事件数、默认关闭）；工程可保存为 JSON 随时继续，自动保存防丢失。
导出格式
兼容主流 CAT 与语料工具
- 1导入文本
- 2自动对齐
- 3审校编辑
- 4导出语料
第一步 · 导入各版本文本
添加同一文本的 2–10 个语言版本（推荐 5–10 个）。可粘贴文本，或导入 txt / md / docx / SRT・VTT 字幕文件；选择一个版本作为基准语（其他语言均与它对齐）。
第二步 · 设置参数并自动对齐
算法将把每个版本与基准语逐一进行句句对齐，再合并为多语对照表。
版本概览
对齐参数
算法说明 ▾
采用 Gale & Church (1993) 长度统计对齐模型：以句长差显著性的负对数概率为代价， 动态规划求解最优的 1-1 / 1-2 / 2-1 / 2-2 / 1-0 / 0-1 句对组合；跨文种时按“汉字≈2.3 个西文字符”加权。 多版本结果通过并查集（连通分量）合并为翻译单元。
运行
第三步 · 审校编辑
点击单元格直接修改文字；选中行 / 单元格后使用上方工具栏操作。绿色=高置信、黄色=中、红色=低（建议优先审校）、紫色=已修改。快捷键：Ctrl+Z 撤销 / Ctrl+F 搜索 / Ctrl+S 保存工程。
第四步 · 导出语料库
选择导出范围与格式。TMX 可直接导入 Trados / memoQ / OmegaT 等 CAT 工具。
导出选项
TMX · 多语言版
单个 TMX 文件，每个翻译单元包含全部语言变体（<tu> 内多个 <tuv>）。
TMX · 两两双语版
基准语 × 每个其他语言各生成一个双语 TMX，打包为 ZIP，适合传统 CAT 工作流。
SRT 字幕
多语合并字幕（每条台词多行对照）+ 各语言单语字幕打包；时间轴取自基准语字幕。
Excel 工作簿
.xlsx 表格：行号 + 各版本列（+ 置信度），便于团队协作与二次加工。
CSV / TSV
带 BOM 的 UTF-8 编码，Excel 直接打开中文不乱码；TSV 适合脚本处理。
TXT 平行文本
每行一个翻译单元，各语言以制表符分隔——机器翻译训练语料常用格式。
JSON 工程文件
保存完整工程（文本 + 参数 + 审校结果），可随时在本工具中打开继续。
使用指南
本工具在浏览器中完成全部计算，文本不会上传到任何服务器。建议使用 Chrome / Edge / Safari 16.4+ 等现代浏览器。
一、准备文本
- 准备同一文本的多个语言版本（2–10 个）。译本的章节、段落结构应与原文基本一致。
- 可接受的输入：直接粘贴文本；
.txt/.md文件（自动识别 UTF-8 / GBK / Big5 编码）；.docx文件（自动提取正文，保留段落）。 - 段落格式建议：各版本用空行分隔自然段。若各版本段落数一致，工具会自动启用“段落锚定”，逐段对齐，准确率最高。
- “一句一行”的文本也可以直接使用——此时每行即一个句子。
三、选择基准语
基准语（pivot）是所有其他版本的对齐参照，通常是原文。例如：中文原文 + 英、日、法、德、西 5 个译本，则以中文为基准语，5 个译本分别与中文对齐后合并成 6 列对照表。
二、字幕对齐（SRT / VTT）
- 把同一视频的两个语言字幕文件（如中文 .srt + 英文 .srt）分别导入为两个版本，工具会按台词时间轴自动对齐——时间重合度是最可靠的锚点。
- 粘贴字幕文本也能被自动识别（含
-->时间轴即视为字幕）；解析时自动清除<i>等标签。 - 对齐后可导出多语合并字幕（每条台词多行对照，播放器可直接挂载）或各语言单语字幕的 ZIP；时间轴取自基准语。
- 字幕版本建议整部或按章节成对导入；两种字幕若时间轴偏移较大（不同帧率），可在第二步调低「时间轴锚点权重」后重新对齐。
四、理解对齐结果
- 每一行是一个翻译单元（TU），各列为对应语言的句子。
- 某版本一句对基准语两句时，两句会自动拼接放入同一单元格（1-2 对齐）。
- 置信度标记：🟢 高（典型 1-1 对齐）、🟡 中（含 1-2 / 2-1 合并）、🔴 低（未匹配或跨句合并）、🟣 紫（人工修改过）。建议优先审校红色行。
- 单元格为空表示该语言在此处没有对应内容（漏译或原文独有）。
五、审校操作
- 编辑文字：单击单元格直接输入；Tab 跳到下一格，Enter 换行。
- 行操作：点选行号所在行后，使用工具栏「合并下行 / 插行 / 删行 / 上移下移」。
- 单元格拆分：选中单元格后点击「✂ 拆分」，按句子切成两行（仅该列，其余列留空，便于补充）。
- 锁定：确认无误的行请锁定，导出时可只导出已锁定行。
- 搜索替换：Ctrl+F，可限定某一列，支持全部替换（可撤销）。
- 撤销 / 重做：Ctrl+Z / Ctrl+Y。
六、导出
- TMX 多语言版：符合 TMX 1.4 规范，一个 <tu> 内含所有语言的 <tuv>；OmegaT、Trados、memoQ 等均支持。
- 两两 TMX（ZIP）：基准语 × 每个译本各一个双语 TMX 文件，方便分发给不同语向的团队。
- Excel / CSV：行号 + 各版本列；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 MT 训练流水线。
七、常见问题
对齐错了怎么办？
先用「只看低置信度」筛出可疑行，用合并 / 拆分 / 清空手工修正；长文本建议确保各版本段落数一致以启用段落锚定。
为什么某个版本整列都是空？
通常是该版本与基准语长度比例异常（如误传了别的文档），或句子数差异过大。返回第一步检查文本与语言设置。
支持多少文本量？
常规书籍章节（数千句）可流畅处理；超长文本会自动滑窗分块。建议按章节分批处理。
数据安全吗？
纯前端工具，你的文本内容永不上传。默认状态下页面零网络请求；站点可配置匿名的聚合使用统计（仅记录"发生了一次对齐/导出"这类事件计数与随机访客编号，不含任何文本内容，不使用 Cookie），实现代码公开在仓库 analytics/ 目录。工程可通过「保存工程」导出 JSON 备份，浏览器本地另有自动保存。
关于本工具
「多语对齐工作台 MultiAlign」是一个参考 tmxmall 等在线对齐平台交互流程打造的纯前端多语平行语料构建工具，面向翻译研究者、本地化团队与 MT 语料工程师。
技术架构
- 零依赖原生 HTML / CSS / JavaScript，双击
index.html即可离线使用。 - 分句引擎：多语规则分句（缩写库、小数与引号处理、CJK 标点规则）。
- 对齐引擎：Gale & Church (1993) 统计句对齐 + 数字锚点 + 兼容文种词汇相似度 + 段落锚定 + 滑窗分块。
- 多版本合并：基准语枢纽对齐 + 并查集连通分量 → 翻译单元。
- 导出器：内置 ZIP 读取（docx 导入）与 ZIP / XLSX 写入（零第三方库）。
引用
William A. Gale & Kenneth W. Church. 1993. A Program for Aligning Sentences in Bilingual Corpora. Computational Linguistics, 19(1):75–102.
版本 v1.1.0 · 2026