text-humanizer 是一个完全免费的开源工具，用于把 AI 生成的文本改写成更接近人类表达的自然文本，从而绕过 Turnitin、GPTZero 等主流 AI 检测器。它的核心思路是「多语言翻译 + LLM 改写」：通过 Google Translate 长文本分块翻译和 Niutrans 双引擎协作，对文本做跨语言扰动后再还原，让检测器难以识别 AI 痕迹。本文带你读懂这条翻译链路的实现细节。

项目定位：把 AI 文本「洗」成人味

text-humanizer 支持 8 种语言（en、ja、zh、ko、de、fr、es 等），在保持语义不变的前提下重构句式与措辞。完整工作流分为四步（详见 README-zh.md）：

1. LLM 重写：用 DeepSeek 改写文本，并翻译为中文作为中间表示；
2. Google 翻译：通过 Google Translate 转译为土耳其语，引入句法变化；
3. DeepL 翻译（可选）：转译为日语，引入第二个独立翻译引擎；
4. 最终重构：再用 DeepSeek 翻译回原文语言，消除翻译痕迹、恢复可读性。

💡 翻译环节正是「去 AI 味」的关键：每一次跨语言转换都会打乱原文的句式模式。

翻译链路总览：从入口到双引擎

生产环境推荐使用Standard Pipeline（v1.5），它是经过端到端验证的固定四步链路，统一封装在 src/standard/__init__.py 中：

from src.standard.pipeline import run_standard_pipeline config = toml.load("config/config.toml") result = run_standard_pipeline("Your text here", config, target_lang="en")

链路中的两个翻译能力都集中在 translators.py：google_translate负责免费但有限额的 Google 渠道，niutrans_translate负责带 API Key 的 Niutrans 商业渠道。两者搭配，兼顾稳定性与语言多样性。

Google Translate 长文本分块原理

Google Translate 的免费接口单次约有5000 字符上限，直接投递长文本会失败。项目中的解决方案是「按句子边界分块」，实现见 translators.py：

• 文本长度超过4500 字符时，先切块再逐块翻译，最后用空格拼接；
• 切块逻辑封装在_split_text函数（translators.py）：先用正则(?<=[.!?。！？])\s+在句末标点处拆分句子，再把句子逐个累加到当前块中，一旦块长度超过 4500 就收块；
• 这样每块都尽量保持完整句子，避免把一句话拦腰截断影响翻译质量。

⚠️ 注意细节：阈值取 4500 而非 5000，是留出了标点、空白等边界情况的余量，属于典型的「安全水位」设计。

Niutrans 第二引擎：API 调用要点

niutrans_translate（translators.py）用httpx以 POST 方式调用 Niutrans 开放接口，请求体包含四个字段：

响应处理上区分了三种情况：正常返回取tgt_text；出现error_msg时抛出Niutrans error: ...运行时异常；其余情况视为异常响应并报错。整体超时设置为 60 秒，给长文本留出充足的网络窗口。

为什么需要双引擎？一是互为备份：Google 免费接口偶发限流时，Niutrans 可以顶上；二是引入独立的翻译风格，让同一文本经历两套翻译引擎后，句式扰动更彻底。

混合引擎评分：v1.0 的探索实现

除了标准流水线，mixed_engine.py 中还保留了 v1.0 的参考实现MixedEngineProcessor，展示了一种更激进的思路——逐句多引擎赛马：

• _segment（mixed_engine.py）按句末标点把文本拆成句子；
• 每句话轮流交给google、mymemory等引擎做「英→中→英」往返翻译；
• _score_naturalness（mixed_engine.py）用「词汇唯一率 × 0.6 + 词长方差」打分，取得分最高的引擎结果。

这种best_score策略虽然灵活，但每句都要多次调用接口，耗时和配额消耗较大，因此 v1.5 生产链路改成了 Google + Niutrans 的固定序列，在效果与成本之间取得了平衡。

快速上手：一键安装与配置步骤

项目支持 Windows / Linux / macOS，依赖见 requirements.txt：

git clone https://gitcode.com/gh_mirrors/texthu/text-humanizer cd text-humanizer pip install -r requirements.txt python main.py

配置文件参考 config.example.toml，核心选项如下：

小结

text-humanizer 的翻译引擎设计给新手留下了三点可借鉴的思路：

1. 分块要尊重语义边界——按句子而非固定长度切分，且阈值留出安全余量；
2. 双引擎互为冗余——免费渠道保可用，商业渠道保质量，异常处理要覆盖「错误字段」与「未知响应」；
3. 策略从灵活走向收敛——v1.0 逐句赛马适合实验，生产环境用固定验证过的链路更可靠。

理解这套「LLM 重写 + 多引擎翻译」的流水线后，你也能把它应用到自己的文本改写场景中。