خلّي النصوص المولّدة بالذكاء الاصطناعي طبيعية باستعمال خطّ text-humanizer

شنو هو text-humanizer؟

text-humanizer هو مشروع Python مجاني ومفتوح المصدر، كيعيد صياغة المحتوى اللي تولّد بالذكاء الاصطناعي باستعمال مسار متعدد اللغات ومدعوم بنموذج لغوي كبير. الهدف ديالو هو يحافظ على المعنى الأصلي، مع إنتاج تراكيب جمل أكثر طبيعية، وصياغات متنوعة، وتنوع أسلوبي أكبر.

المشروع كيجمع بين DeepSeek وخدمات الترجمة باش يحوّل النص بين عدة لغات قبل ما يعاود يبنيه باللغة الأصلية. كيوضح README أن هاد العملية تقدر تتجاوز بزاف ديال كواشف الذكاء الاصطناعي، ولكن النتائج ديال الكواشف كتختلف وما خاصهاش تعتبر مضمونة.

الخصائص الرئيسية

• كيحافظ على المعنى الأصلي مع تحسين الطبيعية ديال النص.
• كيدخل تراكيب جمل وأنماط لغوية متنوعة.
• كيدعم أساليب ونبرات مختلفة فالكتابة.
• كيستعمل مسار متعدد اللغات لإعادة الصياغة والترجمة.
• كيخدم بالإنجليزية واليابانية والصينية والكورية والألمانية والفرنسية والإسبانية باستعمال رموز اللغات المذكورة.
• كيوفر تكامل اختياري مع DeepL باش يزيد التنوع بين اللغات.
• كيتوزع كبرنامج مجاني ومفتوح المصدر تحت رخصة MIT.

كيفاش كيخدم مسار إعادة الصياغة

المرحلة 1: إعادة الصياغة باستعمال DeepSeek

DeepSeek كينتج نسخة مكافئة دلالياً من النص المدخل، مع تبديل الصياغة وتراكيب الجمل وتدفق المعلومات. ووفقاً لوثائق المشروع، هاد المرحلة كتستعمل حتى الصينية كتمثيل وسيط باش تنقص الأنماط المرتبطة باللغة الأصلية.

المرحلة 2: الترجمة عبر Google

الناتج الوسيط كيدوز عبر Google Translate وكيتترجم للتركية. هاد الشي كيزيد تغييرات بين-لغوية ناتجة عن الاختلافات فالنحو وطريقة الترجمة.

المرحلة 3: الترجمة الاختيارية عبر DeepL

إلى وفرتي مفتاح API ديال DeepL، النص التركي كيترجم لليابانية عبر DeepL. هاد المرحلة الاختيارية كتضيف لغة أخرى ومحرك ترجمة مستقل للمسار.

المرحلة 4: إعادة البناء النهائية عبر DeepSeek

DeepSeek كيترجم وكيعاود يبني النتيجة باللغة المختارة للإدخال والإخراج. الهدف من المرور الأخير هو يحيد آثار الترجمة، ويرجع تدفق الجمل مقروء، ويحافظ على المعنى الأصلي.

المتطلبات الأساسية

قبل ما تثبت المشروع، تأكد بلي عندك هاد الحوايج:

• Python 3.6 أو أحدث.
• Git باش تنسخ المستودع.
• مفتاح API ديال DeepSeek.
• مفتاح API اختياري ديال DeepL إلا بغيتي تفعل مرحلة DeepL الإضافية.
• الولوج للإنترنت من أجل النموذج الخارجي وخدمات الترجمة.

التثبيت

1. نسخ المستودع

git clone https://github.com/korcarc/text-humanizer.git
cd text-humanizer

2. تثبيت التبعيات

ثبت حزم Python المحددة فالمشروع:

pip install -r requirements.txt

إلى كان النظام ديالك كيربط pip بتثبيت آخر ديال Python، استعمل الأمر المناسب للبيئة ديالك، بحال python -m pip أو python3 -m pip.

3. إنشاء ملف الإعدادات

فـ Windows، نسخ إعدادات المثال بهاد الأمر:

copy .\config\config.example.toml .\config.toml

فـ Linux أو macOS، استعمل الأمر المكافئ للنسخ:

cp ./config/config.example.toml ./config.toml

الإعدادات

حل config.toml وضبط الخيارات المتاحة قبل ما تشغل التطبيق.

• target_language: كيحدد اللغة المستعملة فالإدخال والإخراج. القيم المذكورة هي en وja وzh وko وde وfr وes.
• deepseek_api_key: مفتاح API ديال DeepSeek المطلوب.
• deepl_api_key: مفتاح API الاختياري ديال DeepL.
• base_url: كيبدل عنوان URL الأساسي ديال API. خليه خاوي باش تستعمل الإعداد الافتراضي ديال المزود.
• model: كيحدد معرّف النموذج. خليه خاوي باش تستعمل الإعداد الافتراضي ديال المزود.
• temperature: كيتحكم فدرجة أخذ العينات ديال النموذج اللغوي الكبير. المشروع كيوصي بـ 1.3.

إعداد مبني على الإعدادات الموثقة غادي يكون تقريباً بحال التالي. حافظ على البنية والترتيب الدقيقين ديال الحقول الموجودين فملف المثال المقدم:

target_language = "en"
deepseek_api_key = "YOUR_DEEPSEEK_API_KEY"
deepl_api_key = ""
base_url = ""
model = ""
temperature = 1.3

بدل العنصر النائب بمفتاح DeepSeek الحقيقي ديالك. خَلّي deepl_api_key خاوي إلا ما بغيتيش تستعمل مرحلة الترجمة الاختيارية ديال DeepL.

الاستعمال الأساسي

شغل أداة humanizer من مجلد المستودع:

python main.py

فالأنظمة اللي كيتستعمل فيها اسم تنفيذي منفصل لـ Python 3، شغل:

python3 main.py

البرنامج كيعالج النص باستعمال إعدادات اللغة والمزود الموجودة فـ config.toml. مثلاً، إلى عيّنت target_language على en، كتولي المسار مهيأ للإدخال والإخراج بالإنجليزية. باش تعالج نص باليابانية، بدلها لـ ja قبل ما تعاود تشغل البرنامج.

أمثلة على تغيير اللغة

للإدخال والإخراج بالألمانية:

target_language = "de"

للإدخال والإخراج بالإسبانية:

target_language = "es"

استعمل غير رمز لغة مدعوم فإعدادات المشروع.

نصائح للإعدادات المتقدمة

تفعيل مرحلة DeepL الاختيارية

زيد مفتاح DeepL صالح فـ deepl_api_key باش تفعل مرحلة الترجمة من التركية لليابانية. بلا هاد المفتاح، المسار كيتجاوز هاد الخطوة الاختيارية.

تعديل درجة الحرارة

الـREADME كيوصي بدرجة حرارة 1.3. هاد الإعداد مخصص باش يشجع على التنويع أثناء إعادة صياغة النصوص باستعمال نماذج اللغة الكبيرة (LLM). إلا جربتي قيمة أخرى، قارن المخرجات بعناية باش تتأكد بلي المعنى الأصلي باقي محفوظ.

استعمل نقطة نهاية ولا نموذج مخصص

الإعداد base_url يقدر يبدل نقطة نهاية API الافتراضية، بينما model يقدر يحدد معرّف النموذج. خَلّي أي واحد من هاد الحقلين خاوي إلا بغيتي تستعمل القيمة الافتراضية ديال المزوّد. خاص القيم المخصصة توافق خدمة API اللي كتستعمل.

راجع المعنى من بعد ترجمات متعددة

المشروع مصمم باش يحافظ على الدلالة، ولكن كل مرحلة ديال إعادة الصياغة والترجمة تقدر تدخل تغييرات دقيقة. راجع الأسماء، والأرقام، والاقتباسات، والمصطلحات التقنية، والادعاءات الواقعية فالنتيجة النهائية قبل النشر.

حمي معطيات الولوج إلى API

تعامل مع مفاتيح API على أساس أنها أسرار. تجنب نشر ملف config.toml فيه معطيات معمّرة أو رفع بيانات الولوج إلى مستودع عمومي.

الاستعمال المسؤول

استعمل text-humanizer باش تحسن الوضوح، والأسلوب، والتنوع التعبيري، وما تستعملوش باش تنسب العمل لشي مؤلف بشكل مضلل أو باش تتحايل على القواعد اللي كتفرض التصريح باستعمال مساعدة الذكاء الاصطناعي.

أنظمة كشف الذكاء الاصطناعي ماشي متسقة، وما كاين حتى سير عمل ديال إعادة الصياغة يقدر يضمن نتيجة معينة عند أي كاشف. تبع سياسات التصريح، والنزاهة الأكاديمية، والنشر، والمنصات اللي كتطبق على خدمتك.

الخلاصة

text-humanizer كيوفر طريقة قابلة للإعداد لإعادة صياغة النصوص متعددة اللغات، من خلال الجمع بين DeepSeek وGoogle Translate، ومعالجة اختيارية باستعمال DeepL. من بعد ما تنسخ المستودع، وتثبت التبعيات ديالو، وتضيف إعدادات API ديالك، تقدر تشغل المسار باستعمال python main.py. راجع كل نتيجة باش تتأكد من سهولة القراءة، والدقة الواقعية، والوفاء للمعنى.

الكود المصدري ورخصة MIT متوفرين فـمستودع text-humanizer على GitHub.