Ir al contenido

Kotoba Speech-to-Text

Integrar

ID del modelo 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"

Archivos como el ejemplo: $0.001 1 crédito de API · ≈ ₽0.11 tus archivos se miden antes de la ejecución Ejecutar en esta página

Obtener clave de API
Kotoba Technologies Voz a texto #commercial-use#speech-to-text#japanese#multilingual

Voz a texto para clips de hasta 2 minutos, optimizada para japonés, con marcas de tiempo por palabra y sugerencias de palabras clave

Kotoba Technologies · Texto

Tu primer resultado aparecerá aquí

Crea una solicitud abajo y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, donde se conservan para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan conforme los cambias.

•obligatorio audio_url
Suelta un archivo o

Duración del audio limitada a 2 minutos.

language •obligatorio

Idioma usado por los hablantes del audio.

Avanzado with_timestamps · diarization · kana · keywords

Términos cuya ortografía debe priorizarse en la transcripción, incluidos nombres o terminología de productos. Acepta un máximo de 1000 términos, cada uno limitado a 64 caracteres.

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

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y se guarda en localStorage únicamente si marcas Recordar. Obtener una clave de API

Acerca de Kotoba Speech-to-Text

Transcripción de un clip de audio de hasta 2 minutos desde `audio_url`. Establece `language` en ja, en, ko, zh, es, zh-hk, zh-tw o auto. `with_timestamps` opcional devuelve los tiempos de inicio y fin por palabra, `diarization` etiqueta a los hablantes, `keywords` acepta hasta 1000 términos para orientar la ortografía y `kana` escribe nombres en katakana para japonés. La salida incluye texto, idioma detectado y duración del audio.

Parámetros

Envía el nombre canónico o el nombre nativo, no ambos. Nombres canónicos

NombreTipo PredeterminadoPermitido Descripción
audio_urlobligatorio audio
Tipourl · audio
Duración del audio limitada a 2 minutos.
languageobligatorio
Tipoenum
jaenkozheszh-hkzh-twauto
Idioma usado por los hablantes del audio.
with_timestampsopcional
Tipoboolean
Predeterminadofalse
Salida de tiempos por palabra en `words`, incluido el inicio y el final de cada palabra.
diarizationopcional
Tipoboolean
Predeterminadofalse
Atribución del hablante a nivel de palabra, disponible solo para modelos compatibles con tokens de hablante. Cada palabra recibe un `speaker_id`, pero su tiempo permanece en null a menos que también se habilite `with_timestamps`.
keywordsopcional
Tipostring[]
≤ 1,000 elementos
Términos cuya ortografía debe priorizarse en la transcripción, incluidos nombres o terminología de productos. Acepta un máximo de 1000 términos, cada uno limitado a 64 caracteres.
kanaopcional
Tipoboolean
Predeterminadofalse
Representación en katakana de nombres de personas y lugares en japonés.
obligatorio Nombre canónico, también aceptado

Los parámetros de archivo aceptan una URL pública https://, un URI data: de hasta 10 MB o el file_url de una carga. Archivos

Salida

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"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: se conserva para siempre (con cobro por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para video y audio. output es el objeto de resultado propio del modelo.
Campos de salida
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Para agentes de IA: esta página en Markdown está disponible en https://doitong.com/es-MX/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt