Prompt 技巧：在翻译字幕时，如何让英文字幕中文字幕更好的对应起来

一周过去了，现在是时候公布这题答案了，这道 #Prompt 思考题 基本上是过去几道思考的集大成了。

这道题目来源于我日常的应用场景，因为我经常会翻译一些字幕，必不可少的要借助 GPT 来帮我完成，这样我只需要二次校对就可以节约很多工作。但是字幕翻译远比我想象的复杂，因为英文原文和中文不是一一对应的关系，通常多个英文字幕在翻译时会被合并成成一个中文，也很难原样拆分回去，所以我需要将翻译后的结果和原始的英文对应起来，靠手工对应工作量还是不小。

另外我以前是用 GPT-4 做的，但是 GPT-4 价格实在太贵了，按照我这种用法，翻译个半小时的视频就要 1 美元左右的成本。所以最近在 Function Calling 推出后，我尝试改用 GPT-3.5 来做，虽然不如 GPT-4 好，但是配合二次校对，基本上可用了。

先回顾一下题目，题目的输入是一组英文字幕，带有时间戳，时间戳是唯一的。

输出是翻译后的中文字幕，但是英文和中文不是一一对应的关系，多句英文在翻译时可能会被合并成一条中文。例如图一中第一条和第二条应该合并起来翻译成一个结果： “When you wake up in the morning, the very first thoughts you have” + “normally are in your mother tongue.” “当你早上醒来时，你通常会用母语思考。”

所以不仅要翻译，还要将翻译后重新断句的结果和原始输入对应起来。

这是一个非常典型的可以借助大语言模型的语言能力来解决自然语言问题的场景。

难点在于如何让大语言模型理解我们的要求，并且输出我们期望的格式！

对于这类问题，现在有三板斧可以用：：

1. CoT（Chain of Thought）
2. 输出中间结果
3. Function Calling

CoT 大部分人都不陌生，就是可以要做的事情分解成几个步骤，这样可以得到最好的推理效果。

但是仅仅在 Prompt 里面列出步骤是不够的，必须要配合输出中间结果，才能保证结果最佳，详情参考推文：https://twitter.com/dotey/status/1670116920815656961 所以我们必须输出必要的中间步骤结果。

对于输出结果，我们并不希望一些中间结果对用户可见，也希望结果容易被解析，JSON 格式无疑是最高的选择，在 Function Calling 之前，这很难，但是现在借助 Function Calling，可以轻松的让我们输出想要的 JSON 格式，并且也可以隐藏一些我们不想让用户看见的中间结果。有关 Function Calling 的应用也可以参考我以前出过的一道思考题： https://twitter.com/dotey/status/1671193519896109056

现在让我们把这三板斧组合起来使用：

首先要在 Prompt 指定角色和目的，然后分成三个步骤： 第一步：将输入的文字内容合并成一个完整的段落，作为一个整体翻译，相对一句一句翻译可以达到最好的翻译结果 第二步：将翻译好的结果按照标点符号重新拆分成小的句子 第三步：将拆分后的句子和原始输入对应起来

完整的 Prompt 参考如下：

You are a program responsible for translating subtitles.
Your task is to translate the subtitles into 简体中文，
maintain a conversational tone, avoid lengthy sentences,
and ignore fillers like \"so\", \"you know\", and \"um\", etc.
the input is an array, each item includes timestamp and text.
Using the following steps:
Step 1: Translate the whole input array into 简体中文，ignore the json structure and the timestamp, only translate the text.
Step 2: Split the translated result into short sentences based on punctuation (e.g., periods, exclamation marks, question marks, etc.)
Step 3: Find out the input items that correspond to each translated sentence.

接下来还要借助 Function Calling 来输出我们想要的 JSON 格式，并且把中间结果也放到 JSON 中，所以可以先定义好想要的数据结构，这里我定义的数据结构是类似于这样的：

1. 一个字符串 fullTranslatedContent，用来保存第一步完整的翻译结果
2. 一个数组 translatedSentences 保存中文结果，对应的是第二步的结果
3. 每个数组项中： 3.1 sentence 表示中文句子 3.2 relatedInputItems 是一个数组，和原始输入的英文的句子关键起来，也是 Prompt 中第三步的结果

注意我在对属性名称命名时，名字比较长，但是比较容易理解是什么内容，这会在生成结果时有一点帮助。更详细的内容可以参考配图以及下面的函数定义：

{
  name: functionName,
  description: "format translated result",
  parameters: {
    type: "object",
    properties: {
      fullTranslatedContent: {
        type: "string",
        description: "The translated input content",
      },
      translatedSentences: {
        type: "array",
        description:
          "The splitted translated sentences, 1 translated sentence corresponds to 1 or more input items",
        items: {
          type: "object",
          properties: {
            sentence: {
              type: "string",
              description: "A short and atomic translated sentence",
            },
            relatedInputItems: {
              type: "array",
              description:
                "Related input items, 1 translated sentence corresponds to 1 or more input items",
              items: {
                type: "object",
                properties: {
                  timestamp: {
                    type: "number",
                  },
                  text: {
                    type: "string",
                  },
                },
              },
            },
          },
          required: ["sentence", "relatedInputItems"],
        },
      },
    },
    required: ["fullTranslatedContent", "translatedSentences"],
  },
}

按照这种方式，基本上 GPT-3.5 也可能得到不错的结果，而且价钱也很便宜。但是注意对于 3.5 的话，输入内容不能太长，如果太长的话结果不会太好。我实际测试下来 10-20 条比较合适，GPT-4 的话，50 条都没什么问题，但是价钱很贵！

当然拿到的 JSON 结果后，还需要借助程序做一些解析和二次处理，没必要把所有事情都让 GPT 给你做，毕竟 GPT 生成的结果成本高，另外不够稳定。

最后总结一下：

在实际项目中，遇到类似需求，首先要考虑，哪些部分放到 LLM 帮你完成，并非所有事情都要让 LLM 做，毕竟它的成本比较高，并且输出结果并不是非常稳定。 当你明确了要让 LLM 帮你完成的任务，想清楚输入和输出是什么。 在遇到复杂的任务，借助 CoT 思路分解成一步步处理是必须的，同时要配套三板斧：

1. CoT：将复杂任务分解成简单步骤
2. 输出中间结果：对于关键步骤输出中间结果
3. Function Calling：借助 FC 控制输出的格式