Zum Inhalt springen

Kotoba Speech-to-Text

Integrieren

Modell-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"

Dateien wie das Beispiel: 0,001 $ 1 API-Credit · ≈ 0,11 ₽ Deine Dateien werden vor der Ausführung gemessen Auf dieser Seite ausführen

API-Schlüssel abrufen
Kotoba Technologies Sprache zu Text #commercial-use#speech-to-text#japanese#multilingual

Speech-to-Text für Clips bis zu 2 Minuten, optimiert für Japanisch, mit Wortzeitstempeln und Stichworthinweisen

Kotoba Technologies · Text

Dein erstes Ergebnis erscheint hier

Erstelle unten eine Anfrage und führe sie mit deinem API-Schlüssel aus. Ausgaben werden in unseren Speicher kopiert und dauerhaft oder 7 Tage kostenlos aufbewahrt.

Anfrage erstellen

Die Steuerelemente werden aus dem Modellschema generiert. Code und Preis werden aktualisiert, während du sie änderst.

•erforderlich audio_url
Datei ablegen oder

Audiodauer, begrenzt auf 2 Minuten.

language •erforderlich

Von den Sprechern des Audios verwendete Sprache.

Erweitert with_timestamps · diarization · kana · keywords

Begriffe, deren Schreibweise im Transkript bevorzugt werden soll, einschließlich Namen oder Produktterminologie. Akzeptiert höchstens 1000 Begriffe mit jeweils maximal 64 Zeichen.

POST /run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20 Preis → 0,001 $
# 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"

Diese Anfrage ausführen

Dein Schlüssel bleibt in diesem Browser: Er wird nur an die Doitong API gesendet und nur gespeichert (localStorage), wenn du „Merken“ aktivierst. API-Schlüssel abrufen

Über Kotoba Speech-to-Text

Transkribiert einen Audioclip von bis zu 2 Minuten aus `audio_url`. Setze `language` auf ja, en, ko, zh, es, zh-hk, zh-tw oder auto. Das optionale `with_timestamps` gibt Start- und Endzeiten pro Wort zurück, `diarization` kennzeichnet Sprecher, `keywords` akzeptiert bis zu 1000 Begriffe zur Beeinflussung der Schreibweise, und `kana` schreibt Namen für Japanisch in Katakana. Die Ausgabe enthält Text, erkannte Sprache und Audiodauer.

Parameter

Sende entweder den kanonischen Namen oder den nativen Namen, nicht beide. Kanonische Namen

NameTyp StandardZulässig Beschreibung
audio_urlerforderlich audio
Typurl · audio
Audiodauer, begrenzt auf 2 Minuten.
languageerforderlich
Typenum
jaenkozheszh-hkzh-twauto
Von den Sprechern des Audios verwendete Sprache.
with_timestampsoptional
Typboolean
Standardfalse
Ausgabe der Zeitangaben pro Wort in `words`, einschließlich Start und Ende jedes Wortes.
diarizationoptional
Typboolean
Standardfalse
Sprecherzuordnung auf Wortebene, nur für Modelle verfügbar, die Sprecher-Token unterstützen. Jedes Wort erhält eine `speaker_id`, aber seine Zeit bleibt null, sofern nicht auch `with_timestamps` aktiviert ist.
keywordsoptional
Typstring[]
≤ 1.000 Elemente
Begriffe, deren Schreibweise im Transkript bevorzugt werden soll, einschließlich Namen oder Produktterminologie. Akzeptiert höchstens 1000 Begriffe mit jeweils maximal 64 Zeichen.
kanaoptional
Typboolean
Standardfalse
Katakana-Schreibweise von Personen- und Ortsnamen im Japanischen.
erforderlich Kanonischer Name, ebenfalls akzeptiert

Dateiparameter akzeptieren eine öffentliche https://-URL, eine data:-URI bis 10 MB oder die file_url eines Uploads. Dateien

Ausgabe

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"
  }
}
Deine Dateien, deine EntscheidungJede outputs[].url ist eine Kopie in unserem Speicher: dauerhaft aufbewahrt (Abrechnung pro GB-Monat) oder 7 Tage kostenlos – je nach Kontoeinstellung oder ?storage=.
Gleiche Struktur bei jedem Modelltype, url, content_type, width, height und duration – für Bilder, Video und Audio gleichermaßen. output ist das Ergebnisobjekt des Modells.
Ausgabefelder
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Für KI-Agenten: Diese Seite ist als Markdown verfügbar unter https://doitong.com/de/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. Alle Modelle und Anleitungen: https://doitong.com/developers/llms.txt