3步解锁跨平台划词翻译神器:Saladict桌面版全攻略
Saladict桌面版是一款聚合多词典资源的划词翻译工具,支持Windows、Mac和Linux系统,通过智能划词识别与多源词典集成,为用户提供精准高效的翻译体验。无论是学术研究、专业阅读还是日常学习,这款开源工具都能成为你的随身语言助手,让跨语言理解如同沙拉调配般轻松自如。
核心价值:为什么选择Saladict桌面版
词典聚合引擎:你的翻译资源中心
Saladict整合了必应词典、柯林斯高阶、有道词典等20+专业词典资源,如同一个翻译资源的"自助餐厅"。用户可根据需求自由添加词典,实现从基础释义到专业术语的全方位查询。
图1:Saladict支持添加多种词典源,满足不同场景翻译需求
智能划词系统:文本理解的快捷键
创新的划词识别技术让翻译无需切换应用,只需选中文本即可唤醒翻译面板。支持自定义快捷键与动画效果,平衡操作流畅度与系统资源占用,让翻译过程"隐形"融入阅读场景。
跨平台兼容设计:一次部署全端使用
采用Electron框架构建,实现Windows、Mac、Linux系统的无缝兼容。统一的操作体验与数据同步功能,确保用户在不同设备上都能获得一致的翻译服务。
快速上手:5分钟完成从安装到使用
准备开发环境
确保系统已安装Node.js(v14.x及以上)和Git工具。打开终端执行以下命令克隆项目:
git clone https://gitcode.com/gh_mirrors/sa/saladict-desktop # 获取项目源码
cd saladict-desktop # 进入项目目录
安装依赖包
使用npm或yarn安装项目依赖:
npm install # npm用户
# 或
yarn install # yarn用户
💡 国内用户可配置镜像源加速安装:npm config set registry https://registry.npm.taobao.org
启动应用程序
执行启动命令,体验开发版功能:
npm run start # 启动开发服务器
首次启动会自动打开应用窗口,默认加载基础词典配置。
场景实践:三大高效应用模式
学术文献阅读助手(适用人群:研究人员/学生)
在阅读英文论文时,划选专业术语即可实时获取多词典解释与例句。通过"词典设置"添加领域专属词典(如医学、计算机),系统会自动优先展示专业释义,帮助快速理解学科前沿内容。
多语言内容创作者(适用人群:翻译/自媒体)
写作时通过划词翻译快速核对表达准确性,利用"双语例句"功能对比不同词典的用法示例。配合"生词本"功能收藏高频词汇,形成个性化术语库,提升多语言内容创作效率。
国际会议实时辅助(适用人群:涉外工作者)
参加线上国际会议时,开启"快速搜索"面板(默认快捷键Ctrl+Shift+E),实时划译演讲内容。通过"语音朗读"功能听取单词发音,辅助理解口音较重的发言者内容。
生态拓展:打造个性化翻译工作流
扩展接口说明
Saladict提供两类扩展机制:
- 词典插件:通过
src/saladict/dictionaries目录下的配置文件添加新词典,支持JSON格式定义查询接口与结果解析规则 - 事件钩子:在
src/common/config.ts中注册翻译前后事件,实现自定义文本处理(如术语替换、格式转换)
第三方集成案例
- Obsidian插件:通过Saladict的划词API,实现笔记软件内的无缝翻译,双链笔记与翻译结果自动关联
- PDF阅读器集成:配合
src/saladict/assets/pdf/web/viewer.js,为PDF文档添加划词翻译功能 - 浏览器扩展桥接:通过
src/emulator/core/patches/tabs.js实现与浏览器插件的数据同步
📌 提示:高级用户可通过修改configs/vite.renderer.ts配置文件,自定义资源加载与构建流程,打造专属翻译工具链。
Saladict桌面版将持续迭代词典资源与交互体验,欢迎通过项目Issue反馈需求或贡献代码,共同打造更强大的开源翻译生态。无论是学术研究还是日常使用,这款工具都能成为你突破语言障碍的得力助手。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0187
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08

