Μετάβαση στο περιεχόμενο

Kotoba Speech-to-Text

Ενσωμάτωση

id μοντέλου 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"

Αρχεία όπως το παράδειγμα: 0,001 $ 1 πίστωση API · ≈ 0,11 ₽ τα αρχεία σας μετρώνται πριν από την εκτέλεση Εκτέλεση σε αυτήν τη σελίδα

Λήψη κλειδιού API
Kotoba Technologies Ομιλία σε κείμενο #commercial-use#speech-to-text#japanese#multilingual

Speech-to-text για κλιπ έως 2 λεπτά, βελτιστοποιημένο για ιαπωνικά, με χρονικές σημάνσεις λέξεων και υποδείξεις λέξεων-κλειδιών

Kotoba Technologies · Κείμενο

Το πρώτο σας αποτέλεσμα θα εμφανιστεί εδώ

Δημιουργήστε ένα αίτημα παρακάτω και εκτελέστε το με το κλειδί API σας. Οι έξοδοι αντιγράφονται στην αποθήκευσή μας και διατηρούνται για πάντα ή 7 ημέρες δωρεάν.

Δημιουργία αιτήματος

Τα στοιχεία ελέγχου δημιουργούνται από το σχήμα του μοντέλου. Ο κώδικας και η τιμή ενημερώνονται καθώς τα αλλάζετε.

•απαιτείται audio_url
Αποθέστε ένα αρχείο ή

Διάρκεια ήχου με όριο τα 2 λεπτά.

language •απαιτείται

Γλώσσα που χρησιμοποιούν οι ομιλητές του ήχου.

Για προχωρημένους with_timestamps · diarization · kana · keywords

Όροι των οποίων η ορθογραφία πρέπει να προτιμάται στην απομαγνητοφώνηση, συμπεριλαμβανομένων ονομάτων ή ορολογίας προϊόντων. Δέχεται έως 1000 όρους, με όριο 64 χαρακτήρων για τον καθένα.

POST /run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20 προσφορά → 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"

Εκτέλεση αυτού του αιτήματος

Το κλειδί σας παραμένει σε αυτό το πρόγραμμα περιήγησης: αποστέλλεται μόνο στο Doitong API και αποθηκεύεται (localStorage) μόνο αν ενεργοποιήσετε την επιλογή «Να απομνημονεύεται». Λήψη κλειδιού API

Σχετικά με το Kotoba Speech-to-Text

Μεταγράφει κλιπ ήχου διάρκειας έως 2 λεπτά από το `audio_url`. Ορίστε το `language` σε ja, en, ko, zh, es, zh-hk, zh-tw ή auto. Το προαιρετικό `with_timestamps` επιστρέφει χρόνους έναρξης και λήξης ανά λέξη, το `diarization` επισημαίνει τους ομιλητές, το `keywords` δέχεται έως 1000 όρους για βελτίωση της ορθογραφίας και το `kana` γράφει τα ονόματα σε κατακάνα για τα ιαπωνικά. Η έξοδος περιλαμβάνει κείμενο, εντοπισμένη γλώσσα και διάρκεια ήχου.

Παράμετροι

Στείλτε είτε το κανονικό όνομα είτε το εγγενές όνομα, όχι και τα δύο. Κανονικά ονόματα

ΌνομαΤύπος ΠροεπιλογήΕπιτρεπόμενο Περιγραφή
audio_urlαπαιτείται audio
Τύποςurl · audio
Διάρκεια ήχου με όριο τα 2 λεπτά.
languageαπαιτείται
Τύποςenum
jaenkozheszh-hkzh-twauto
Γλώσσα που χρησιμοποιούν οι ομιλητές του ήχου.
with_timestampsπροαιρετικό
Τύποςboolean
Προεπιλογήfalse
Έξοδος χρονισμού ανά λέξη στο `words`, που περιλαμβάνει την αρχή και το τέλος κάθε λέξης.
diarizationπροαιρετικό
Τύποςboolean
Προεπιλογήfalse
Απόδοση ομιλητή σε επίπεδο λέξης, διαθέσιμη μόνο για μοντέλα που υποστηρίζουν tokens ομιλητών. Κάθε λέξη λαμβάνει ένα `speaker_id`, αλλά ο χρόνος της παραμένει null, εκτός αν ενεργοποιηθεί επίσης το `with_timestamps`.
keywordsπροαιρετικό
Τύποςstring[]
≤ 1.000 στοιχεία
Όροι των οποίων η ορθογραφία πρέπει να προτιμάται στην απομαγνητοφώνηση, συμπεριλαμβανομένων ονομάτων ή ορολογίας προϊόντων. Δέχεται έως 1000 όρους, με όριο 64 χαρακτήρων για τον καθένα.
kanaπροαιρετικό
Τύποςboolean
Προεπιλογήfalse
Απόδοση ονομάτων ανθρώπων και τοπωνυμίων στα ιαπωνικά με Katakana.
απαιτείται Κανονικό όνομα, επίσης αποδεκτό

Οι παράμετροι αρχείων δέχονται ένα δημόσιο URL https://, ένα URI data: έως 10 MB ή το file_url μιας μεταφόρτωσης. Αρχεία

Έξοδος

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"
  }
}
Τα αρχεία σας, η επιλογή σαςΚάθε outputs[].url είναι ένα αντίγραφο στην αποθήκευσή μας: διατηρείται για πάντα (χρέωση ανά GB-μήνα) ή 7 ημέρες δωρεάν, σύμφωνα με τη ρύθμιση του λογαριασμού σας ή ?storage=.
Ίδια μορφή σε κάθε μοντέλοtype, url, content_type, width, height και duration, τόσο για εικόνες όσο και για βίντεο και ήχο. Το output είναι το αντικείμενο αποτελέσματος του ίδιου του μοντέλου.
Πεδία εξόδου
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Για πράκτορες AI: αυτή η σελίδα σε Markdown βρίσκεται στη διεύθυνση https://doitong.com/el/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. Όλα τα μοντέλα και οι οδηγοί: https://doitong.com/developers/llms.txt