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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00

