Lumaktaw sa nilalaman

Kotoba Speech-to-Text

I-integrate

ID ng 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"

Mga file na katulad ng halimbawa: $0.001 1 kredito ng API · ≈ ₽0.11 sinusukat ang iyong mga file bago patakbuhin Patakbuhin ito sa page na ito

Kumuha ng API key
Kotoba Technologies Speech patungong Text #commercial-use#speech-to-text#japanese#multilingual

Speech-to-text para sa clip na hanggang 2 minuto, iniangkop sa Japanese, na may word timestamp at keyword hint

Kotoba Technologies · Text

Dito mapupunta ang iyong unang resulta

Bumuo ng kahilingan sa ibaba at patakbuhin ito gamit ang iyong API key. Kinokopya ang mga output sa aming storage, na pinananatili nang walang hanggan o 7 araw nang libre.

Bumuo ng kahilingan

Ang mga control ay binubuo mula sa schema ng modelo. Nagbabago ang code at presyo habang ina-adjust mo ang mga ito.

•kinakailangan audio_url
Mag-drop ng file, o

Tagal ng audio na limitado sa 2 minuto.

language •kinakailangan

Wikang ginagamit ng mga speaker ng audio.

advanced with_timestamps · diarization · kana · keywords

Mga terminong dapat paboran ang spelling sa transcript, kabilang ang mga pangalan o product terminology. Tumatanggap ng hanggang 1000 termino, na bawat isa ay limitado sa 64 character.

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

Patakbuhin ang kahilingang ito

Nananatili ang iyong key sa browser na ito: ipinapadala lamang ito sa Doitong API at sine-save (localStorage) lamang kung pipiliin mo ang Tandaan. Kumuha ng API key

Tungkol sa Kotoba Speech-to-Text

Nagta-transcribe ng audio clip na hanggang 2 minuto mula sa `audio_url`. Itakda ang `language` sa ja, en, ko, zh, es, zh-hk, zh-tw o auto. Nagbabalik ang opsyonal na `with_timestamps` ng oras ng simula at pagtatapos bawat salita, nilalagyan ng speaker label ng `diarization`, tumatanggap ang `keywords` ng hanggang 1000 termino upang gabayan ang spelling, at isinusulat ng `kana` sa katakana ang mga pangalan sa Japanese. Kasama sa output ang teksto, natukoy na wika at tagal ng audio.

Mga parameter

Ipadala ang canonical na pangalan o ang native na pangalan, hindi pareho. Mga canonical na pangalan

PangalanUri defaultPinapayagan Paglalarawan
audio_urlkinakailangan audio
Uriurl · audio
Tagal ng audio na limitado sa 2 minuto.
languagekinakailangan
Urienum
jaenkozheszh-hkzh-twauto
Wikang ginagamit ng mga speaker ng audio.
with_timestampsopsyonal
Uriboolean
defaultfalse
Timing bawat salita na output sa `words`, kasama ang simula at pagtatapos ng bawat salita.
diarizationopsyonal
Uriboolean
defaultfalse
Speaker attribution sa antas ng salita, available lamang para sa mga modelong sumusuporta sa speaker token. Tumatanggap ang bawat salita ng `speaker_id`, ngunit nananatiling null ang oras nito maliban kung naka-enable din ang `with_timestamps`.
keywordsopsyonal
Uristring[]
≤ 1,000 item
Mga terminong dapat paboran ang spelling sa transcript, kabilang ang mga pangalan o product terminology. Tumatanggap ng hanggang 1000 termino, na bawat isa ay limitado sa 64 character.
kanaopsyonal
Uriboolean
defaultfalse
Katakana rendering ng mga pangalan ng tao at lugar sa Japanese.
kinakailangan Canonical na pangalan, tinatanggap din

Tumatanggap ang mga parameter ng file ng pampublikong https:// URL, data: URI na hanggang 10 MB, o file_url ng isang upload. Mga file

Output

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"
  }
}
Ikaw ang pumipili para sa iyong mga fileAng bawat outputs[].url ay kopya sa aming storage: pinananatili nang walang hanggan (sinisingil bawat GB-month) o 7 araw nang libre, ayon sa setting ng iyong account o ?storage=.
Parehong shape sa bawat modelotype, url, content_type, width, height at duration, para sa mga larawan, video at audio. Ang output ay sariling result object ng modelo.
Mga field ng output
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Para sa mga AI agent: nasa Markdown ang pahinang ito sa https://doitong.com/fil/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. Lahat ng modelo at gabay: https://doitong.com/developers/llms.txt