رفتن به محتوا

Kotoba Speech-to-Text

یکپارچه‌سازی

شناسه مدل 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"

فایل‌هایی مانند نمونه: ⁨‎$۰٫۰۰۱⁩ ۱ اعتبار API · ≈ ⁨‎₽۰٫۱۱⁩ فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Kotoba Technologies گفتار به متن #commercial-use#speech-to-text#japanese#multilingual

تبدیل گفتار به متن برای کلیپ‌های حداکثر 2 دقیقه، بهینه‌شده برای ژاپنی، با زمان‌مهر واژه‌ها و راهنمای کلمات کلیدی

Kotoba Technologies · متن

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی audio_url
یک فایل بیندازید، یا

مدت صوت حداکثر 2 دقیقه.

language •الزامی

زبان گویندگان صوت.

پیشرفته with_timestamps · diarization · kana · keywords

اصطلاحاتی که املای آن‌ها باید در متن پیاده‌شده ترجیح داده شود، از جمله نام‌ها یا اصطلاحات محصول. حداکثر 1000 اصطلاح پذیرفته می‌شود و طول هرکدام حداکثر 64 نویسه است.

POST /run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20 قیمت → ⁨‎$۰٫۰۰۱⁩
# 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"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Kotoba Speech-to-Text

یک کلیپ صوتی حداکثر 2 دقیقه‌ای را از `audio_url` رونویسی می‌کند. `language` را روی ja، en، ko، zh، es، zh-hk، zh-tw یا auto تنظیم کنید. `with_timestamps` اختیاری زمان آغاز و پایان هر واژه را برمی‌گرداند، `diarization` گویندگان را برچسب‌گذاری می‌کند، `keywords` حداکثر 1000 اصطلاح برای جهت‌دهی به املا می‌پذیرد و `kana` نام‌ها را در ژاپنی به کاتاکانا می‌نویسد. خروجی شامل متن، زبان شناسایی‌شده و مدت صوت است.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
audio_urlالزامی audio
نوعurl · audio
مدت صوت حداکثر 2 دقیقه.
languageالزامی
نوعenum
jaenkozheszh-hkzh-twauto
زبان گویندگان صوت.
with_timestampsاختیاری
نوعboolean
پیش‌فرضfalse
خروجی زمان‌بندی هر واژه در `words`، شامل زمان شروع و پایان هر واژه.
diarizationاختیاری
نوعboolean
پیش‌فرضfalse
انتساب گوینده در سطح واژه، فقط برای مدل‌هایی که از توکن‌های گوینده پشتیبانی می‌کنند. هر واژه یک `speaker_id` دریافت می‌کند، اما زمان آن تا زمانی که `with_timestamps` نیز فعال نباشد null می‌ماند.
keywordsاختیاری
نوعstring[]
≤ ۱٬۰۰۰ مورد
اصطلاحاتی که املای آن‌ها باید در متن پیاده‌شده ترجیح داده شود، از جمله نام‌ها یا اصطلاحات محصول. حداکثر 1000 اصطلاح پذیرفته می‌شود و طول هرکدام حداکثر 64 نویسه است.
kanaاختیاری
نوعboolean
پیش‌فرضfalse
رندر کاتاکانای نام افراد و مکان‌ها به زبان ژاپنی.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

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"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt