API ترجمه رایگان با LLMها
مدلهای زبانی بزرگ بین زبانهای زیادی خوب ترجمه میکنند و چند ارائهدهنده آنها را رایگان ارائه میدهند. برخی مدلهای رایگان برای ترجمه ساخته شدهاند، مثلاً Cohere Command A Translate. این راهنما مدلهای رایگان ترجمه، کد Python برای ترجمه دستهای و محدودیتهایی را نشان میدهد که باید برنامهریزی کنید. همه درخواستها از طریق FreeLLMAPI انجام میشوند که سطوح رایگان 45 ارائهدهنده را پشت یک کلید سازگار با OpenAI ترکیب میکند.
کد، نام مدلها و برچسبهای زندهٔ کاتالوگ به زبان انگلیسی نمایش داده میشوند.
مدلهای رایگان برای ترجمه
برخی مدلهای رایگان برای بسیاری از زبانها یا برای یک منطقه زبانی آموزش دیدهاند. جدول، مدلهای چندزبانه و ترجمه را در کاتالوگ رایگان امروز نشان میدهد.
| مدل | رایگان در | متن ورودی | محدودیتهای رایگان (بهترین پیشنهاد) | ابزارها | بینایی |
|---|---|---|---|---|---|
| Typhoon 2.5 30B A3B Instruct | Typhoon | 131K | Ongoing free research API (shared rate limits) | بله | خیر |
| Qwen SEA-LION v4.5 27B | SEA-LION | 33K | 10 درخواست در دقیقه 10 RPM | خیر | خیر |
| Nemotron 3 Super 120B | SEA-LION | - | 10 درخواست در دقیقه 10 RPM | بله | خیر |
| Qwen SEA-LION v4 32B | SEA-LION | 33K | 10 درخواست در دقیقه 10 RPM | خیر | خیر |
| Llama SEA-LION v3 70B | SEA-LION | 131K | 10 درخواست در دقیقه 10 RPM | خیر | خیر |
| Gemma SEA-LION v4 27B | Cloudflare Workers AI, SEA-LION | 131K | 10 درخواست در دقیقه 10 RPM | خیر | خیر |
| Command A Translate | Cohere | 256K | 20 درخواست در دقیقه 33 درخواست در روز ~1-2M | بله | خیر |
| Tiny Aya Global | Cohere | 8K | 20 درخواست در دقیقه 33 درخواست در روز 1K calls/mo shared | خیر | خیر |
| North Small Translate | Cohere | 33K | 20 درخواست در دقیقه 33 درخواست در روز ~1-2M | خیر | خیر |
| Tiny Aya Earth | Cohere | 8K | 20 درخواست در دقیقه 33 درخواست در روز 1K calls/mo shared | خیر | خیر |
| Tiny Aya Fire | Cohere | 8K | 20 درخواست در دقیقه 33 درخواست در روز 1K calls/mo shared | خیر | خیر |
| Tiny Aya Water | Cohere | 8K | 20 درخواست در دقیقه 33 درخواست در روز 1K calls/mo shared | خیر | خیر |
نمایش 12 مدل رایگان مطابق از 16 مدل. مشاهده همه مدلها.
دادههای زنده از کاتالوگ FreeLLMAPI (نسخه 2026.11.19، بررسیشده در 2026-11-19). محدودیتهای رایگان اغلب تغییر میکنند. کاتالوگ هر روز بررسی میشود.
| خانواده مدل | ساخته شده برای | منبع |
|---|---|---|
| Command A Translate (Cohere) | ترجمه در 23 زبان، از جمله عربی، چینی، هندی، ژاپنی، فارسی و اوکراینی | تغییرات Cohere، 28 اوت 2025 |
| Aya Expanse (Cohere) | گفتگوی چندزبانه در 23 زبان | مستندات Cohere |
| SEA-LION (AI Singapore) | زبانهای جنوب شرق آسیا، 11 زبان یا بیشتر | sea-lion.ai |
| Typhoon | تایی | opentyphoon.ai |
مدلهای عمومی هم ترجمه خوبی دارند، عمدتاً بین زبانهای بزرگ. قویترین مدلهای عمومی رایگان امروز عبارتاند از:
| مدل | رایگان در | متن ورودی | محدودیتهای رایگان (بهترین پیشنهاد) | ابزارها | بینایی |
|---|---|---|---|---|---|
| GLM 5.3 | APINex, UnoRouter | 1M | 5 درخواست در دقیقه 10M weighted tokens/day shared across APINex free routes; 4x token multiplier; 5 requests/minute/account | بله | خیر |
| GLM 5.3 Flash | APINex, BlazeAPI, NVIDIA NIM +1 مورد دیگر | 1M | 40 درخواست در دقیقه 40 RPM | بله | بله |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 درخواست در دقیقه 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | بله | بله |
| Qwen3.8 Flash Next | AMD Radeon Cloud, BlazeAPI, ElectronHub | 262K | Recurring daily account allowance | بله | خیر |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | بله | بله |
| Deepseek V4.1 Flash | APINex | 1M | 5 درخواست در دقیقه 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | خیر | خیر |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 درخواست در دقیقه 20 درخواست در روز 250,000 توکن در دقیقه ~3M | بله | بله |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | بله | بله |
نمایش 8 مدل رایگان مطابق از 184 مدل. مشاهده همه مدلها.
دادههای زنده از کاتالوگ FreeLLMAPI (نسخه 2026.11.19، بررسیشده در 2026-11-19). محدودیتهای رایگان اغلب تغییر میکنند. کاتالوگ هر روز بررسی میشود.
هر مدل را با متنها و جفت زبانهای خودتان آزمایش کنید. کیفیت بین جفت زبانها خیلی تفاوت میکند. مدلی که برای ترجمه از انگلیسی به اسپانیایی خوب است، ممکن است برای ترجمه از تایی به ویتنامی ضعیف باشد.
راهاندازی درگاه
FreeLLMAPI را نصب کنید، کلیدهای ارائهدهندگان رایگان خود را در صفحه Keys داشبورد اضافه کنید و کلید یکپارچه را کپی کنید. برای مدلهای ترجمه بالا، یک کلید Cohere، یک کلید SEA-LION یا یک کلید NVIDIA اضافه کنید. برای مدلهای عمومی، کلید Google، Groq یا Mistral اضافه کنید.
نصب و آزمایش یک ترجمه
curl -fsSL https://freellmapi.co/install.sh | bash
curl http://localhost:3001/v1/chat/completions \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{
"model": "command-a-translate-08-2025",
"temperature": 0,
"messages": [
{"role": "system", "content": "Translate the user text into German. Return only the translation."},
{"role": "user", "content": "Your order has shipped."}
]
}'یک شناسه مدل ثابت، همیشه همان سبک ترجمه را میدهد. وقتی آن مدل به سقف رایگانش برسد، درخواست شکست میخورد، مگر اینکه همان مدل روی ارائهدهنده دیگری رایگان باشد. برای ادامه با مدلهای دیگر، یک پروفایل زنجیره جایگزین بسازید، مثلاً translate، که مدلهای انتخابی شما را به ترتیب دارد. سپس auto:translate را به عنوان مدل استفاده کنید.
ترجمه دستهای با Python
یک درخواست برای هر رشته، سریع سهمیه درخواستهای شما را مصرف میکند. 20 تا 50 رشته کوتاه را در یک درخواست بهصورت فهرست JSON بفرستید. کد بررسی میکند که پاسخ تعداد آیتم یکسان و جاینگهدارهای (placeholder) یکسان داشته باشد. اگر بررسی شکست بخورد، رشتهها را یکییکی ترجمه میکند.
translate.py
import json
import os
import re
import time
import openai
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:3001/v1",
api_key=os.environ["FREELLMAPI_API_KEY"],
max_retries=3,
timeout=90,
)
MODEL = "auto:translate" # a profile with your translation models
PLACEHOLDER = re.compile(r"\{[^}]+\}|%\w|<[^>]+>") # {name}, %s, <b>
SYSTEM = (
"You are a professional translator. Translate each string into {lang}. "
"Keep placeholders such as {{name}}, %s and HTML tags exactly as they are. "
"Use this glossary: {glossary}. "
"Return only a JSON array of strings, in the same order and with the same length."
)
def chat(messages):
for attempt in range(6):
try:
resp = client.chat.completions.create(model=MODEL, messages=messages, temperature=0)
return resp.choices[0].message.content or ""
except openai.RateLimitError as err:
header = err.response.headers.get("retry-after", "")
time.sleep(min(int(header) if header.isdigit() else 2 ** attempt, 120))
raise RuntimeError("Rate limited on every provider")
def same_placeholders(src: str, dst: str) -> bool:
return sorted(PLACEHOLDER.findall(src)) == sorted(PLACEHOLDER.findall(dst))
def parse_list(text: str):
text = text.strip().removeprefix("```json").removeprefix("```").removesuffix("```")
return json.loads(text)
def translate_batch(strings, lang, glossary="none"):
system = SYSTEM.format(lang=lang, glossary=glossary)
try:
out = parse_list(chat([
{"role": "system", "content": system},
{"role": "user", "content": json.dumps(strings, ensure_ascii=False)},
]))
if len(out) == len(strings) and all(same_placeholders(s, d) for s, d in zip(strings, out)):
return out
except (json.JSONDecodeError, TypeError):
pass
# Fallback: one string per request
return [translate_one(s, system) for s in strings]
def translate_one(s, system):
text = chat([
{"role": "system", "content": system},
{"role": "user", "content": json.dumps([s], ensure_ascii=False)},
])
try:
return str(parse_list(text)[0])
except (json.JSONDecodeError, TypeError, IndexError, KeyError):
return text.strip() # keep the raw answer; review it later
def translate_all(strings, lang, size=30, glossary="none"):
result = []
for i in range(0, len(strings), size):
result.extend(translate_batch(strings[i:i + size], lang, glossary))
return result
if __name__ == "__main__":
ui = ["Welcome back, {name}!", "You have %s new messages.", "<b>Save</b> your changes"]
print(translate_all(ui, "French", glossary="messages = messages; Save = Enregistrer"))برای ترجمه از temperature=0 استفاده کنید. در این حالت خروجی بین اجراها پایدارتر است. ترجمهها را در یک فایل یا پایگاه داده ذخیره کنید و فقط رشتههای جدید یا تغییرکرده را ترجمه کنید.
واژهنامه، لحن و اسناد طولانی
- واژهنامه: نام محصولات و اصطلاحات ثابت را در پیام سیستم فهرست کنید. به مدل بگویید کدام کلمات را نباید ترجمه کند.
- لحن: سطح رسمیت را بیان کنید، مثلاً «Sie» رسمی در آلمانی یا «tu» غیررسمی در فرانسوی.
- زمینه: یک خط درباره محل ظاهر شدن متن اضافه کنید، مثلاً «برچسب دکمهها در یک برنامه بانکی». رشتههای کوتاه بدون آن اغلب مبهم هستند.
- اسناد طولانی: متن را در مرز پاراگرافها تقسیم کنید. هر بخش را همراه با پاراگراف قبلی به عنوان زمینه بفرستید و فقط بخش جدید را ترجمه کنید.
- همان مدل برای یک سند: هدر
X-Session-Idرا همراه با شناسه سند بفرستید. FreeLLMAPI یک نشست را 30 دقیقه روی یک مدل نگه میدارد، بنابراین شرایط ثابت میماند.
FreeLLMAPI یک کش پاسخ اختیاری برای درخواستهای یکسان دارد. یافتن پاسخ در کش هیچ سهمیه ارائهدهندهای مصرف نمیکند. میتوانید آن را برای یک درخواست با هدر X-FreeLLM-Cache روشن یا خاموش کنید. با temperature=0، همان رشته و همان دستورالعملها یک درخواست یکسان میسازند، پس رشتههای تکراری از کش میآیند.
بررسی خودکار کیفیت
بررسیهای ساده بیشتر ترجمههای بد را پیش از خواندن توسط یک فرد پیدا میکنند. بعد از هر دسته آنها را اجرا کنید و فقط رشتههای ناموفق را به فهرست بازبینی بفرستید.
- جاینگهدارها: ترجمه باید همان placeholderها و تگهای متن منبع را داشته باشد. کد بالا این را از قبل بررسی میکند.
- طول: ترجمهای که کمتر از یک سوم یا بیشتر از سه برابر طول متن منبع باشد، اغلب اشتباه است.
- متن ترجمهنشده: اگر خروجی با ورودی یکسان باشد، مدل آن را ترجمه نکرده است.
- ترجمه برگشتی: برای متن مهم، نتیجه را با یک مدل دیگر به زبان منبع برگردانید. معنا را مقایسه کنید، نه کلمات را.
پیدا کردن رشتهها برای بازبینی
def needs_review(src: str, dst: str) -> bool:
ratio = len(dst) / max(len(src), 1)
return (
not same_placeholders(src, dst)
or dst.strip() == src.strip()
or ratio < 0.33
or ratio > 3.0
)
review = [(s, d) for s, d in zip(ui, translated) if needs_review(s, d)]برای ترجمه برگشتی، یک شناسه مدل ثابت را انتخاب کنید که در پروفایل ترجمه شما نیست. مدل دیگر کمتر احتمال دارد خطاهای مدل اول را تکرار کند.
محدودیتها و مصالحههای صادقانه
سطوح رایگان برای رشتههای برنامه، پاسخهای پشتیبانی، اسناد داخلی و آزمایش مناسباند. این محدودیتها را برنامهریزی کنید:
| محدودیت | اثر بر ترجمه | چه کنید |
|---|---|---|
| درخواست در دقیقه و در روز | یک فایل بزرگ میتواند کل سهمیه روزانه را مصرف کند | هر درخواست را 20 تا 50 رشته قرار دهید. کلیدهای ارائهدهندگان بیشتری اضافه کنید. |
| سقف روزانه پایین برای مدلهای تخصصی | برخی مدلهای ترجمه تعداد کمی درخواست در روز میپذیرند | آنها را در یک پروفایل اول قرار دهید و مدلهای عمومی را بعد از آنها بگذارید |
| مدلهای متفاوت بعد از failover | سبک و اصطلاحات بین دستهها ممکن است تغییر کند | از یک واژهنامه و هدر X-Session-Id استفاده کنید |
| بدون SLA | تأخیر در طول روز تغییر میکند | برای ترجمه بلادرنگ که باید در زمان ثابتی پاسخ دهد، از سطوح رایگان استفاده نکنید |
| شرایط داده | برخی سطوح رایگان ممکن است از پرامپتها برای آموزش مدل استفاده کنند | متن محرمانه را برای آن ارائهدهندگان نفرستید |
ترجمه ماشینی میتواند اشتباه باشد. پیش از انتشار، یک گوینده بومی متن حقوقی، پزشکی و بازاریابی را بازبینی کند. وقتی همه کلیدهای زنجیره به سقف خود رسیده باشند، درگاه پاسخ 429 را با هدر Retry-After برمیگرداند. کد بالا صبر میکند و دوباره تلاش میکند.
پرسشهای متداول
آیا یک API ترجمه رایگان بر پایه LLMها وجود دارد؟
بله. چند ارائهدهنده LLMهای چندزبانه را رایگان میدهند، از جمله مدلهای ترجمه مثل Cohere Command A Translate. FreeLLMAPI آنها را از طریق یک کلید سازگار با OpenAI ارائه میدهد.
کدام LLM رایگان برای ترجمه بهترین است؟
این به جفت زبان بستگی دارد. Command A Translate از 23 زبان پشتیبانی میکند، SEA-LION برای زبانهای جنوب شرق آسیا ساخته شده و Typhoon برای تایی. با متنهای خودتان آزمایش کنید.
چطور بدون رسیدن به محدودیتهای نرخ، رشتههای زیادی را ترجمه کنم؟
20 تا 50 رشته را در یک درخواست بهصورت فهرست JSON بفرستید، از temperature 0 استفاده کنید، نتایج را کش کنید و کلیدهای ارائهدهندگان بیشتری اضافه کنید.
چطور placeholderها و تگهای HTML را در ترجمههای LLM نگه دارم؟
به مدل بگویید دقیقاً آنها را نگه دارد، سپس هر ترجمه را بررسی کنید. اگر placeholderها مطابقت نداشتند، آن رشته را دوباره یا بهتنهایی ترجمه کنید.
آیا ترجمه رایگان با LLM برای محیط تولید کافی است؟
برای رشتههای برنامه و متن داخلی، اغلب بله، با واژهنامه و بررسیها. متن حقوقی، پزشکی و بازاریابی را یک گوینده بومی بازبینی کند.
راهنماهای مرتبط
- API رایگان LLM در Python
- آیا LLM APIهای رایگان روی دادههای شما آموزش میبینند؟
- محدودیت نرخ API رایگان LLM
- آدرسهای پایه API سازگار با OpenAI رایگان
- API رایگان LLM برای استفاده تجاری
منابع
- Cohere changelog: Command A Translate (23 languages) (بررسیشده در 20 November 2026)
- Cohere docs: Aya (Aya Expanse, 23 languages) (بررسیشده در 20 November 2026)
- AI Singapore: SEA-LION (بررسیشده در 20 November 2026)
- Typhoon: Thai language models (بررسیشده در 20 November 2026)
- FreeLLMAPI docs: REST API (routing profiles, response cache header) (بررسیشده در 20 November 2026)