Mcp Local Translate

io.github.damoqiongqiuPublished by GitHub account damoqiongqiuv0.1.11Updated Oct 24, 2026

Local NLLB translation for 200+ languages. Zero cloud, zero cost, runs entirely on your machine.

VerifiedSTDIODesktop onlyDeveloper ToolsAI & ML

Overview

AI-generated overview

A local NLLB-200 translation server that lets an assistant translate text between 200+ languages entirely on your own machine, with no cloud API.

What you can do
Translate text between 200+ languages, with automatic source-language detection and language codes accepted as FLORES-200 codes, ISO 639-1 codes or Chinese aliases; long text is split at sentence boundaries and reassembled. List supported languages, optionally filtered by a keyword query. The same translate and list-languages functions are also available as CLI commands without starting the MCP server.
When to use it
Useful when an assistant needs to read or translate non-native documentation, code comments or error messages without pasting text into an online translator, and when privacy, offline use or low-resource languages matter more than top-tier translation quality.
Requirements
Runs locally via npx with Node.js; no API key or account. The NLLB-200 distilled model (about 600MB) is downloaded on first use and cached in CACHE_DIR. Network access is needed for that first download; HF_ENDPOINT, HF_AUTO_MIRROR and HTTPS_PROXY control mirror and proxy use, and TRANSLATE_DEVICE selects cpu or webgpu. Expect roughly 1.2GB peak memory during translation.
Before you install
After the model is cached, text stays on the machine, but the first run downloads the model from HuggingFace or a mirror, which contacts third parties. Translation quality is lower than cloud services, especially for low-resource languages. WorkBuddy users must explicitly trust the custom connector or it will not start. The CLI does not read MCP client configuration, so settings must be passed separately.

Installation

In SourceWeft

  1. Open Mcp Local Translate in the dashboard and add it to a workspace.
  2. Enable the server for the chats that should use its tools.

Desktop only via STDIO. STDIO servers start a local process, so they need the SourceWeft desktop host.

Other MCP clients

Follow the launch instructions in the repository.

README

[MCP Local Translate — 跨越语言，无需云。]

MCP Local Translate

[GitHub stars] [npm version] [License: MIT] [TypeScript] [MCP Registry]

🍴 Inspired by shinpr/mcp-local-rag — original architecture patterns by Shinsuke Kagawa

AI 编程助手的本地翻译引擎。基于 NLLB-200 模型，支持 200+ 语言互译——完全离线，数据不离开你的机器。为多语言开发、文档阅读、代码注释翻译而生。

📖 English

特性

  • 200+ 语言互译 基于 Meta NLLB-200 蒸馏模型（600M 参数），覆盖全球绝大多数语言——从主流语言到低资源语言。

  • 完全本地运行 无需 API Key，无需云服务。NLLB-200 模型在本地 CPU 上通过 Transformers.js 推理。数据从不离开你的机器。

  • 智能语言解析 支持 FLORES-200 精确码（zho_Hans）、ISO 639-1 简码（zh）、语言名称（Chinese）、中文别名（中文）——自动映射到正确的模型输入。

  • 长文本分块翻译 长文本在句子边界处自动分块（450 字符/块），每块独立翻译后拼接——突破 NLLB 的 512 token 限制。

  • 零摩擦上手 一条 npx 命令搞定。无需 Docker、Python、GPU。可通过 MCP 或 CLI 使用。

  • 三级镜像回退 自动探测 HF → hf-mirror.com → ModelScope 三级镜像链，国内网络环境下自动找到可用的模型下载源。

快速开始

配置 AI 编程工具

Cursor — 添加到 ~/.cursor/mcp.json：

json
{  "mcpServers": {    "local-translate": {      "command": "npx",      "args": ["-y", "@damoqiongqiu/mcp-local-translate"],      "env": {        "CACHE_DIR": "/path/to/models"      }    }  }}

Codex — 添加到 ~/.codex/config.toml：

toml
[mcp_servers.local-translate]command = "npx"args = ["-y", "@damoqiongqiu/mcp-local-translate"]
[mcp_servers.local-translate.env]CACHE_DIR = "/path/to/models"

Claude Code — 运行以下命令：

bash
claude mcp add local-translate --scope user --env CACHE_DIR=/path/to/models -- npx -y @damoqiongqiu/mcp-local-translate

WorkBuddy — 打开「设置 → 自定义连接器 → 添加自定义连接器」：

json
{  "mcpServers": {    "local-translate": {      "command": "npx",      "args": ["-y", "@damoqiongqiu/mcp-local-translate"],      "env": {        "CACHE_DIR": "/path/to/models"      }    }  }}

⚠️ 首次添加后，必须在「自定义连接器」列表中点击「信任」按钮，否则 MCP 服务器不会启动。这是 WorkBuddy 的安全机制——未经信任的自定义连接器会被静默阻止。

重启工具后即可使用：

你: "把这段文档翻译成中文"助手: [返回翻译结果]
你: "This error message is in Japanese — what does it say?"助手: 那是「データベース接続に失敗しました」——      数据库连接失败。
你: "列出所有支持的翻译语言"助手: 共 204 种语言，包括 中文、英语、日语、法语...

也可直接作为 CLI 使用——无需启动 MCP 服务器：

bash
npx @damoqiongqiu/mcp-local-translate translate "Hello, world!" --source en --target zhnpx @damoqiongqiu/mcp-local-translate list-languages --query "chinese"

就这些。无需 Docker，无需 Python，无需配置服务器。

为什么会有这个项目

你的 AI 编程助手可以帮你写代码，但当你面对非母语的文档、注释、错误日志时，仍然需要跳出编程环境去复制粘贴到在线翻译工具。

隐私。 把代码片段或内部文档粘贴到 Google Translate 本质上是数据泄露。这个工具完全在本地运行——没有人能看到你的文本。

离线可用。 配置完成后无需联网即可使用——飞机上、咖啡店无 WiFi、空气间隙环境。

低资源语言。 NLLB-200 覆盖了 Google Translate 和 DeepL 不支持的小语言（如藏语、维吾尔语、高棉语等）。

成本。 无需为翻译 API 付费。只需一次模型下载（~600MB），然后无限使用。

使用方式

mcp-local-translate 提供两种接口：MCP 服务器（供 AI 编程工具使用）和 CLI（供终端直接使用）。

通过 MCP 使用

MCP 服务器提供 2 个工具：translate 和 list_languages。

翻译文本
"把这段 React hooks 文档翻译成中文""Translate the error message to English""这段日语注释是什么意思？"

translate 工具接受：

参数类型说明
textstring待翻译文本
source_langstring源语言代码（auto 自动检测）
target_langstring目标语言代码

语言代码支持三种格式：

  • FLORES-200 精确码：zho_Hans（简体中文）、eng_Latn（英语）、jpn_Jpan（日语）
  • ISO 639-1 简码：zh、en、ja、fr、de
  • 中文别名：中文、英语、日语、韩语
查看支持的语言
"这个翻译引擎支持多少种语言？""看看有没有藏语"

使用 list_languages 工具，可选 query 参数进行关键词过滤。

作为 CLI 使用

所有 MCP 工具也可以通过 CLI 命令使用——无需启动 MCP 服务器：

bash
# 翻译文本npx @damoqiongqiu/mcp-local-translate translate "Hello, world!" --source en --target zh
# 自动检测源语言npx @damoqiongqiu/mcp-local-translate translate "Bonjour le monde" --source auto --target en
# 查看支持的语言npx @damoqiongqiu/mcp-local-translate list-languages
# 按关键词过滤npx @damoqiongqiu/mcp-local-translate list-languages --query "chinese"

⚠️ CLI 不会读取你的 MCP 客户端配置（mcp.json、config.toml 等）。通过命令行标志或环境变量配置 CLI，如下所示。

工作原理

简要：

  • 语言代码通过三级解析器（精确码 → 别名 → 模糊匹配）映射到 FLORES-200 格式
  • 长文本在句子边界处分块（450 字符/块），每块独立翻译
  • 翻译引擎使用 Transformers.js 加载 NLLB-200 蒸馏模型（600M 参数），在本地 ONNX Runtime 上以 CPU 推理
  • 结果按原始顺序拼接，保持段落和换行结构

详细说明

当你调用 translate 时：

  1. 语言解析：输入的语言代码经过三级解析——先尝试精确 FLORES-200 匹配（zho_Hans），再查 ISO 639-1 别名表（zh → zho_Hans），最后查中文别名表（中文 → zho_Hans）。如果全部失败，进行模糊搜索并给出建议。

  2. 文本预处理：超长文本（>450 字符）在句子边界处拆分（正则 /(?<=[.!?。！？\n])\s+/），确保不截断到句子中间。每块加上源语言和目标语言标记。

  3. 模型推理：每块通过 NLLB-200 蒸馏模型（Xenova/nllb-200-distilled-600M）翻译。模型通过懒加载初始化——首次翻译时下载并加载到内存，后续调用复用同一管道。

  4. 结果拼接：翻译结果按原始块顺序拼接，标记之间的段落和换行得以保留。

配置

环境变量

MCP 服务器仅通过环境变量配置——通过 MCP 客户端的 env 块传入。

环境变量默认值描述
CACHE_DIR系统默认模型缓存目录。NLLB-200 模型（~600MB）自动下载到此。建议使用绝对路径。
HF_ENDPOINThttps://huggingface.coHuggingFace 镜像端点。设置后跳过自动镜像检测。
HF_AUTO_MIRRORtrue自动镜像检测开关。设为 false 禁用。默认开启，首次下载前自动探测三级镜像链：huggingface.co → hf-mirror.com → modelscope.cn。
HTTPS_PROXY（未设置）HTTP 代理地址，用于下载模型（如 http://127.0.0.1:7890）。通过 setGlobalDispatcher 全局生效。
TRANSLATE_DEVICEcpu推理设备。直接传给 Transformers.js。目前仅推荐 cpu。
性能

在 MacBook Pro M1（16GB RAM）、Node.js 22 上测试：

首次启动：

  • 模型下载：1-3 分钟（取决于网络，~600MB）
  • 模型加载：~5s

翻译速度：

  • 短文本（<100 字符）：<1s
  • 中等文本（500 字符）：~3s
  • 长文本（2000 字符）：~12s（4 个分块）

内存：空闲 ~300MB，翻译峰值 ~1.2GB

故障排查

模型下载失败

症状：启动日志中出现 fetch failed 或模型加载超时。

原因与排查：

  1. 网络无法直连 HuggingFace — 如果你在中国大陆或受限网络环境中，直连 huggingface.co 会超时。

    首选方案：不用配置 — mcp-local-translate 默认自动探测三级镜像链：huggingface.co → hf-mirror.com → modelscope.cn，逐级回退直到找到可用镜像。

    备选方案：配置代理：

    json
    "env": {  "HTTPS_PROXY": "http://127.0.0.1:7890"}

    手动指定镜像：

    json
    "env": {  "HF_ENDPOINT": "https://hf-mirror.com"}

  2. 模型文件未写入 CACHE_DIR — 首次运行时会下载约 600MB 的 ONNX 模型。确认 CACHE_DIR 目录存在且包含 Xenova/nllb-200-distilled-600M/ 子目录。如果之前用不同的 CACHE_DIR 下载过模型，更新路径指向已有缓存即可避免重复下载。

  3. npx 缓存了旧版本 — 清除缓存后重启：

    bash
    rm -rf ~/.npm/_npx/

"无效的语言代码"

运行 list_languages 查看所有支持的语言及其代码。语言代码是 FLORES-200 格式（如 zho_Hans、eng_Latn），也可以使用 ISO 639-1 简码（如 zh、en）或中文别名（如 中文、英语）。

翻译速度慢

NLLB-200 在 CPU 上运行，翻译速度取决于你的硬件。长文本会被自动分块处理，每块约 2-3 秒。

常见问题

这真的私密吗？ 是的。在模型下载之后，没有任何数据离开你的机器。可用网络监控验证。

可以离线使用吗？ 可以，只要 NLLB-200 模型已缓存到本地。

与 Google Translate / DeepL 相比如何？ 云端服务翻译质量更高（更大模型、更多训练数据），但需要将数据发送到外部。这个工具用一些质量换取完全隐私和零成本。

支持哪些语言？ NLLB-200 支持 200+ 种语言。运行 list_languages 查看完整列表。

支持方言吗？ NLLB-200 覆盖部分方言变体（如巴西葡萄牙语 por_Latn、拉美西班牙语等），但不像主流语言那样广泛。具体取决于模型训练数据。

翻译质量怎么样？ 对主流语言对（英↔中、英↔法、英↔西等），600M 蒸馏模型提供不错的翻译质量。对低资源语言，质量会下降——可读但不保证优雅。

多用户支持？ 不支持。专为单用户本地访问设计。

开发

从源码构建

bash
git clone https://github.com/damoqiongqiu/mcp-local-translate.gitcd mcp-local-translatepnpm install

代码质量

bash
pnpm run type-check    # TypeScript 检查pnpm run check:fix     # Lint 和格式化pnpm run build         # 编译

项目结构

src/  index.ts              # 入口点 — 路由到 CLI 或 MCP 服务器  server-main.ts        # MCP 服务器启动  server/    index.ts            # MCP 工具处理器（translate、list_languages）    types.ts            # MCP 工具定义  translator/    index.ts            # 核心翻译引擎（NLLB-200 管道、分块、懒加载）    connectivity.ts     # 镜像检测与代理配置    language-codes.ts   # FLORES-200 语言代码与解析器  utils/                # 共享工具skills/                 # 随包发布的 Agent Skills

Agent Skills

Agent Skills 提供优化的提示词，帮助 AI 助手更有效地使用翻译工具：

bash
# Claude Code（项目级别）npx @damoqiongqiu/mcp-local-translate skills install --claude-code
# Claude Code（用户级别）npx @damoqiongqiu/mcp-local-translate skills install --claude-code --global
# Codexnpx @damoqiongqiu/mcp-local-translate skills install --codex

Skills 包括：

  • 语言代码使用：FLORES-200、ISO 639-1、中文别名的映射规则
  • 长文本翻译：自动分块策略和结果解读
  • 国内网络配置：镜像设置和代理配置

贡献

欢迎贡献！参见 CONTRIBUTING.md 了解环境搭建和指南。

许可证

MIT License。免费用于个人和商业用途。

致谢

架构模式参考 mcp-local-rag by Shinsuke Kagawa。使用 Model Context Protocol by Anthropic 和 Transformers.js 构建。翻译模型：NLLB-200 by Meta AI。

Source: README.md at commit 36dbdac

Tools

0
SourceWeft has not started this package in its sandbox yet, so its tools are not known.

Version history

1
  1. v0.1.11LatestSep 16, 2026

Score

50% of the applicable checks met

How complete this listing is, computed from the registry entry, the endpoint and public sources. Not a rating of the server and not a statement that it is safe or working today: reachability is a dated check, and no installs or reviews go into the score.

  • Reached in the last 30 days25 pts

    Keep the endpoint answering the MCP handshake; SourceWeft probes it every 30 days.

  • Auth declared10 pts

    Declare the credential headers in the registry entry, or keep the endpoint answering the probe so its auth can be classified.

  • Tools listed15 pts

    Answer tools/list without a credential, or ship a package that starts in a sandbox without one.

  • DescriptionRequired15 pts
  • Logo10 pts
  • Documentation15 pts
  • License10 pts