信息卡

一句话定位

完全免费开源的多语言 LLM 改写管线，在保持原意不变的前提下，把 AI 生成的文本转换成更像人类写作的版本。

走红原因分析

"AI 检测器绕过"是长期刚需话题，项目直白宣称可绕过大多数 AI 检测工具，天然具备传播爆点；同时零门槛：免费、MIT 许可、克隆装依赖即可跑；技术路线有巧思——用跨语言"翻译环流"制造句法扰动而非简单同义改写，让技术社区觉得"有意思"；DeepSeek API 成本低廉也降低了试用门槛。需要提醒：绕过检测的合规风险（学术、出版场景）由使用者自担，README 未做用途限制。

核心功能拆解

• 四步改写管线：LLM 改写 → 谷歌翻译 → 可选 DeepL 翻译 → LLM 终稿重构；
• 中间表示技巧：第一步先把文本转成中文，削弱原语言特征并引入结构变化；
• 双翻译引擎叠加：英→土（Google）与土→日（DeepL）两套独立机翻差异，注入额外句法扰动；
• 终稿由 DeepSeek 译回原语言，消除翻译腔并重建自然流畅度；
• 支持 8 种语言输入输出，README 提供 en/ja/zh/ko/de/fr/es 等代码；
• 配置化语气与风格适配，温度参数官方推荐 1.3 以增强随机性；

7. 双语 README（英文/中文），降低中文用户上手成本。

架构与技术栈浅析

纯 Python 3.6+ 单脚本架构（main.py 入口），无数据库无服务。依赖三件外部能力：DeepSeek API 做首尾两次 LLM 改写，Google Translate 做第一段机翻，DeepL API 可选启用第二段。管线设计本质是"表示层扰动"：每换一次语言就多一层统计特征漂移，最后靠 LLM 收敛语义——低成本复现了检测器难以度量的写作风格多样性。

安装与环境要求

Python 3.6+，pip 装 requirements.txt 即可；Windows/Linux/macOS 全平台支持。必需 DeepSeek API Key，可选 DeepL Key；配置从 config/config.example.toml 复制为根目录 config.toml 后填写 target_language、密钥与模型参数。

快速上手示例

git clone https://github.com/fromleda/text-humanizer.git
cd text-humanizer
pip install -r requirements.txt
copy .\config\config.example.toml .\config.toml   # 填入 deepseek_api_key
python main.py

进阶使用要点

在 config.toml 调整 base_url 与 model 可接入兼容 OpenAI 协议的自建网关；temperature 保持约 1.3 效果最佳；有 DeepL 密钥时务必开启第四步以获得双重引擎扰动；对长文建议分段投喂，避免机翻层丢上下文；注意该工具输出质量依赖最终重构步，若检测仍偏高可手动提高重试次数。

典型应用场景

• 内容创作者把 AI 初稿转成更自然的发布文案；
• 多语言内容本地化的预润色环节；
• 邮件、社媒帖子的语感调整；
• 对 AI 检测误伤率高的人类原稿做反向平滑（使行文波动回归正常区间）。

同类生态位对比

榜单同期另有 blader/humanizer（P026）等同名赛道项目；text-humanizer 的差异点在于四步跨语言管线是公开、可审计的确定性流程，且明示只依赖 DeepSeek 一个付费端点，成本结构比多模型接力方案低；相比闭源 SaaS "人性化服务"，它把全部控制权留在本机。

资源导航

仓库含中英双语 README、config/config.example.toml 模板与 requirements.txt；许可证 MIT；社区反馈渠道为 GitHub Issues。