WebNovel Title Localization Lab：把中文网文标题翻成真正适合英语读者的名字

Lab #02 · 持续开发中

这不是一个面向读者的“全文翻译网站”，而是一个可复现的研究实验：如何让中文网文标题在英文市场中既不背离原作，又自然、有类型感，并且足够吸引读者。

查看 GitHub 源码

一个标题并不只是翻译

把中文网文标题翻成英文，字面翻译往往只是起点。一个可用的英文标题还需要同时满足：是否忠实故事前提、英文是否自然、类型与目标平台是否匹配、是否有读者吸引力，以及是否避免标题党、剧透或虚构事实。

这也是 WebNovel Title Localization Lab 的研究问题：一个针对该任务的排序器，能否利用弱平台信号和少量人工偏好数据，比规则基线或通用 LLM 裁判更稳定地挑出好标题？

从生成到评估的完整流程

项目没有把候选生成和标题排序混在一起。候选集一旦冻结，后续可以在完全相同的候选标题上比较不同排序方法，保证实验结论可复现。

中文网文记录
  → 输入校验与来源追踪
  → 三种策略生成候选标题
  → 硬约束过滤
  → 规则 / LLM / 学习排序
  → 冻结集评估
  → 错误分析与实验报告

当前的两阶段基线会先生成 12 个英文候选标题：4 个从原始标题出发、4 个从剧情简介出发、4 个从英语网文市场习惯出发。随后系统在固定候选集上进行八维评分、程序复算、严重违规排除和确定性排名，输出候选集、排名 JSON 与可读的 Markdown 报告。

评分不是让模型“凭感觉”选一个

标题候选会接受八个维度的评估：

严重的语义不符、实体错误、类型错配或虚构卖点会让候选失去胜出资格。模型负责给出可审计的分项判断，但最终加权分数由程序以确定性算术独立复算；当模型计算与程序结果不一致时，差异也会保留在实验制品中。

正在建立的研究边界

这个项目把“评估优先”放在“调更强模型”之前：先定义冻结评估集和评分准则，再尝试优化排序器。数据、候选、标签、排名和评估结果都有稳定 ID 与版本，私有原始数据、处理语料、模型文件和人工标签则始终保留在本地。

这带来了一些刻意的边界：首版不做全文翻译、在线 CTR 优化、广泛爬取、多语言扩展、用户账号或异步任务系统。它目前是一个面向可信本地或受保护环境的同步服务，而不是完整的平台产品。

当前开发轨迹

现在仓库已包含离线可复现的确定性适配器、公开合成样例、命令行工具、数据契约与测试；使用 OpenAI-compatible 适配器时，也可通过受控配置接入外部模型。项目仍在持续开发中，当前的核心目标是把“能运行的基线”推进为“可比较、可验证的研究结果”。

接下来的实验

后续迭代将沿着四个阶段推进：

1. V0：规则基线 —— 固化可复现的 Top 3 结果与失败案例。
2. V1：LLM 评审 —— 盲测点对点、成对比较与列表式评审的稳定性。
3. V2：学习排序器 —— 在未触碰的冻结集上比较其与两类基线的提升，并报告不确定性。
4. V3：有限人工反馈 —— 验证人工偏好能在哪些标题情境中修正弱标签偏差。

我希望这个 Lab 最终回答的不只是“哪个标题分数最高”，而是：在不同的故事类型、候选生成策略与评审方法下，什么样的标题本地化决策才真正可靠。

项目正在持续迭代中。欢迎查看 WebNovel Title Localization Lab 源码，也欢迎围绕评估协议、排序方法和错误案例提出建议。