语言检测 API：三元组检测的工作原理
基于三元组频率的语言检测，通过统计文本中包含的三字符序列，并将其分布与每种语言预先计算好的特征档案进行比较，来识别文本所用的语言。这是一种紧凑、快速的统计技术，不需要神经网络模型，也是 ipto 语言检测器背后采用的方法，该检测器覆盖 76 种语言。
三元组检测的工作原理
每种语言都有其特有的字母组合。在英语中，“the”“ing”和“ion”这样的序列随处可见；在西班牙语中则是“ión”“que”和“los”；在德语中，“sch”“ein”和“der”十分常见。三元组就是从文本中取出的连续三个字符，通常在转为小写并去除数字和标点之后提取，同时保留空格，使词边界成为模式的一部分。例如，字符串“ th”表示一个以“th”开头的单词。
检测器预先在大型参考语料库中统计三元组并按频率排序，为每种语言建立特征档案。查询时，它对你的文本做同样的处理，并衡量该分布与每个已存档案的接近程度。距离最小的语言胜出，最佳候选与次佳候选之间的差距则给出置信度值。由于这些档案只是查找表，每次请求的工作量只是对文本扫描一遍加上少量比较。不需要远程服务，因此文本的任何内容都不必离开服务器。
文字脚本与三元组
当许多语言共用同一种书写系统时，三元组统计最有用。拉丁、西里尔、阿拉伯和天城文脚本各自承载着许多种语言，检测器必须依靠频率模式来区分葡萄牙语与西班牙语，或俄语与乌克兰语。对于拥有自己独立文字的语言，例如希腊语、泰语、韩语、泰米尔语或孟加拉语，通常仅凭文字就足以确定语言，无需进行频率比较。中文和日文需要稍加留意，因为日文文本混用假名和汉字，而假名是判断日语的有力线索。在 ipto 中，76 种语言里有 61 种通过三元组频率区分，其余 15 种则根据文字脚本识别。
适用与不适用之处
对于标题、评论、搜索查询和支持工单等简短的网络文本，三元组方法非常合适。它们只需很少的输入就能给出有用的判断，运行成本低，并且完全确定，因此行为易于测试和调试。大型神经网络分类器在困难情况下可能更准确，尤其是文本极短或噪声很多时，但运行成本更高，也更难检查。哪种更好取决于你对准确度的需求和约束条件；对于路由和打标签，轻量级检测器往往已经足够。
在依赖它之前，先了解它的失效模式：
- 输入极短。寥寥几个字符提供的三元组太少。对于短于 10 个字符的输入，ipto API 返回空的语言；对于大约 30 个字符以下的输入，它可能给出最佳猜测，但会将
reliable标记为 false。 - 亲缘关系近的语言。挪威语与丹麦语，或克罗地亚语与塞尔维亚语，共享大部分三元组。置信度较低时，请查看排名第二的候选项。
- 混合语言文本。档案比较假定存在一种主导语言。中途切换语言的段落，会返回占字符多数的那种语言。
- 噪声。URL、代码、话题标签和产品编码会带来不属于任何语言的三元组。检测前请先将其去除。
- 罕见语言。不在支持范围内的语言，会返回最接近的统计匹配，而不是精确结果。
实际使用
你可以把文本粘贴到语言检测器中，查看胜出的语言、置信度值和排名靠后的候选项。在代码中，调用 GET /v1/language?text=Bonjour；请求在本地分析，文本不会发送给第三方供应商或 AI 模型，也不会被记录。免费套餐允许每天 1,000 次请求，无需注册，响应字段见 API 文档。
常见用途包括选择翻译源语言、设置页面的 lang 属性，以及将支持工单路由给合适的团队。另一个有用的模式是把文本语言与网络上下文配对。语言是关于写作者而非连接的信号，因此它常常与连接的来源不一致；说西班牙语的用户身在法国或使用 VPN，是完全正常的。如果你想比较这两种信号，对 IP 地址进行 VPN 与代理检查，有助于判断位置不一致是否有网络层面的解释，而 User-Agent 解析器则提供浏览器和设备上下文。任何不一致都应视为线索，而不是出问题的证据。