কনটেন্টে যান

Kotoba Speech-to-Text

ইন্টিগ্রেট করুন

মডেল id kotoba-technologies/kotoba-stt/v1/speech-to-text
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

উদাহরণের মতো ফাইল: ০.০০১$ ১ API ক্রেডিট · ≈ ০.১১₽ চালানোর আগে আপনার ফাইল মাপা হয় এই পেজে চালান

API কী পান
Kotoba Technologies স্পিচ থেকে টেক্সট #commercial-use#speech-to-text#japanese#multilingual

সর্বোচ্চ 2 মিনিটের ক্লিপের জন্য Speech-to-text, Japanese-এর জন্য অপ্টিমাইজ করা, শব্দের টাইমস্ট্যাম্প ও কীওয়ার্ড হিন্টসহ

Kotoba Technologies · টেক্সট

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক audio_url
একটি ফাইল ড্রপ করুন, অথবা

অডিওর সময়কাল 2 মিনিটে সীমাবদ্ধ।

language •আবশ্যক

অডিওর বক্তারা যে ভাষা ব্যবহার করেন।

অ্যাডভান্সড with_timestamps · diarization · kana · keywords

ট্রান্সক্রিপ্টে যেসব শব্দের বানান অগ্রাধিকার পাবে, যেমন নাম বা পণ্যের পরিভাষা। সর্বোচ্চ 1000টি শব্দ গ্রহণ করে, প্রতিটির সীমা 64 অক্ষর।

POST /run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20 মূল্য → ০.০০১$
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Kotoba Speech-to-Text সম্পর্কে

`audio_url` থেকে সর্বোচ্চ 2 মিনিটের অডিও ক্লিপ ট্রান্সক্রাইব করে। `language` ja, en, ko, zh, es, zh-hk, zh-tw বা auto-তে সেট করুন। ঐচ্ছিক `with_timestamps` প্রতিটি শব্দের শুরুর ও শেষের সময় ফেরত দেয়, `diarization` বক্তাদের লেবেল করে, বানান নির্দিষ্ট করতে `keywords` সর্বোচ্চ 1000টি শব্দ গ্রহণ করে, এবং জাপানি নাম কাটাকানায় লেখে `kana`। আউটপুটে টেক্সট, শনাক্ত করা ভাষা এবং অডিওর দৈর্ঘ্য অন্তর্ভুক্ত থাকে।

প্যারামিটার

ক্যানোনিকাল নাম অথবা নেটিভ নাম—দুটো একসঙ্গে নয়—পাঠান। ক্যানোনিকাল নামগুলো

নামধরন ডিফল্টঅনুমোদিত বিবরণ
audio_urlআবশ্যক audio
ধরনurl · audio
অডিওর সময়কাল 2 মিনিটে সীমাবদ্ধ।
languageআবশ্যক
ধরনenum
jaenkozheszh-hkzh-twauto
অডিওর বক্তারা যে ভাষা ব্যবহার করেন।
with_timestampsঐচ্ছিক
ধরনboolean
ডিফল্টfalse
`words`-এ প্রতি-শব্দের সময়সংক্রান্ত আউটপুট, যাতে প্রতিটি শব্দের শুরু ও শেষ অন্তর্ভুক্ত থাকে।
diarizationঐচ্ছিক
ধরনboolean
ডিফল্টfalse
শব্দ-স্তরের বক্তা নির্ধারণ, কেবল speaker টোকেন সমর্থনকারী মডেলগুলোর জন্য উপলভ্য। প্রতিটি শব্দ একটি `speaker_id` পায়, তবে `with_timestamps`-ও সক্রিয় না থাকলে এর সময় null থাকে।
keywordsঐচ্ছিক
ধরনstring[]
≤ ১,০০০টি আইটেম
ট্রান্সক্রিপ্টে যেসব শব্দের বানান অগ্রাধিকার পাবে, যেমন নাম বা পণ্যের পরিভাষা। সর্বোচ্চ 1000টি শব্দ গ্রহণ করে, প্রতিটির সীমা 64 অক্ষর।
kanaঐচ্ছিক
ধরনboolean
ডিফল্টfalse
জাপানি ভাষায় ব্যক্তি ও স্থানের নামের কাটাকানা রূপ।
আবশ্যক ক্যানোনিকাল নাম, এটিও গ্রহণযোগ্য

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "kotoba-technologies/kotoba-stt/v1/speech-to-text",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 1,
    "usd": "0.001",
    "charged": 1,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja"
  },
  "output": {
    "audio_duration_secs": 1.0,
    "language_code": "string",
    "language_probability": 1.0,
    "text": "string",
    "words": [
      {
        "end": 1.0,
        "speaker_id": "string",
        "start": 1.0,
        "text": "string",
        "type": "word"
      }
    ]
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt