Leum chun t-susbaint

Kotoba Speech-to-Text

Amalaich

ID a’ mhodail 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"

Faidhlichean mar an eisimpleir: $0.001 1 creideas API · ≈ ₽0.11 thèid na faidhlichean agad a thomhas ron ruith Ruith e air an duilleig seo

Faigh iuchair API
Kotoba Technologies Òraid gu Teacsa #commercial-use#speech-to-text#japanese#multilingual

Òraid-gu-teacsa airson criomagan suas ri 2 mhionaid, air a ghleusadh airson Iapanais, le stampaichean-ama fhaclan agus molaidhean prìomh-fhacal

Kotoba Technologies · Teacsa

Thèid a’ chiad toradh agad an-seo

Tog iarrtas gu h-ìosal agus ruith e leis an iuchair API agad. Tha na h-às-churan air an lethbhreacadh dhan stòradh againn, air an cumail gu bràth no 7 latha an-asgaidh.

Tog iarrtas

Tha na smachdan air an cruthachadh bho sgeama a’ mhodail. Bidh an còd agus a’ phrìs ag ùrachadh fhad ’s a dh’atharraicheas tu iad.

•riatanach audio_url
Leig às faidhle, no

Faid claisneachd cuibhrichte gu 2 mhionaid.

language •riatanach

An cànan a bhios luchd-labhairt na claisneachd a’ cleachdadh.

Adhartach with_timestamps · diarization · kana · keywords

Teirmean aig am bu chòir litreachadh a bhith air a roghnachadh san tar-sgrìobhadh, a’ gabhail a-steach ainmean no briathrachas toraidh. Gabhaidh e ri 1000 teirm aig a’ char as motha, gach fear cuibhrichte gu 64 caractar.

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

Ruith an t-iarrtas seo

Fuirichidh an iuchair agad sa bhrobhsair seo: thèid a cur chun Doitong API a-mhàin agus a sàbhaladh (localStorage) a-mhàin ma chuireas tu comharra ri Cuimhnich. Faigh iuchair API

Mu Kotoba Speech-to-Text

Ath-sgrìobhaidh e criomag fuaime suas ri 2 mhionaid bho `audio_url`. Suidhich `language` gu ja, en, ko, zh, es, zh-hk, zh-tw no auto. Tillidh `with_timestamps` roghainneil amannan tòiseachaidh is crìochnachaidh gach facail, bidh `diarization` a’ comharrachadh luchd-labhairt, gabhaidh `keywords` suas ri 1000 teirm gus litreachadh a chlaonadh, agus sgrìobhaidh `kana` ainmean ann an katakana airson Iapanais. Tha an toradh a’ gabhail a-steach teacsa, cànan aithnichte agus fad na fuaime.

Paramadairean

Cuir an t-ainm canonical no an t-ainm dùthchasach, chan e an dà chuid. Ainmean canonical

AinmSeòrsa Bun-roghainnCeadaichte Tuairisgeul
audio_urlriatanach audio
Seòrsaurl · audio
Faid claisneachd cuibhrichte gu 2 mhionaid.
languageriatanach
Seòrsaenum
jaenkozheszh-hkzh-twauto
An cànan a bhios luchd-labhairt na claisneachd a’ cleachdadh.
with_timestampsroghainneil
Seòrsaboolean
Bun-roghainnfalse
Às-chur ùineachaidh gach tòcan ann an `words`, a’ gabhail a-steach toiseach is deireadh gach facail.
diarizationroghainneil
Seòrsaboolean
Bun-roghainnfalse
Sònrachadh neach-labhairt aig ìre facail, ri fhaighinn a-mhàin airson mhodalan a chuireas taic ri tòcanan neach-labhairt. Gheibh gach facal `speaker_id`, ach fuirichidh an ùine aige null mura bi `with_timestamps` air a chur an comas cuideachd.
keywordsroghainneil
Seòrsastring[]
≤ 1,000 nì
Teirmean aig am bu chòir litreachadh a bhith air a roghnachadh san tar-sgrìobhadh, a’ gabhail a-steach ainmean no briathrachas toraidh. Gabhaidh e ri 1000 teirm aig a’ char as motha, gach fear cuibhrichte gu 64 caractar.
kanaroghainneil
Seòrsaboolean
Bun-roghainnfalse
Riochdachadh Katakana de dh’ainmean dhaoine agus ainmean-àite ann an Seapanais.
riatanach Ainm canonical, gabhar ris cuideachd

Gabhaidh paramadairean faidhle ri URL poblach https://, URI data: suas ri 10 MB, no file_url de luchdachadh suas. Faidhlichean

Toradh

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"
  }
}
Na faidhlichean agad, do roghainnTha gach outputs[].url na lethbhreac air an stòradh againn: air a chumail gu bràth (air a phàigheadh gach GB-mìos) no 7 latha an-asgaidh, a rèir suidheachadh a’ chunntais agad no ?storage=.
An aon chruth air gach modailtype, url, content_type, width, height agus duration, airson dealbhan, bhidio agus fuaim le chèile. ’S e output nì toraidh a’ mhodail fhèin.
Raointean toraidh
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Do riochdairean AI: tha an duilleag seo mar Markdown aig https://doitong.com/gd/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. Na modailean agus na treòraichean uile: https://doitong.com/developers/llms.txt