Op den Inhalt sprangen

Kotoba Speech-to-Text

Integréieren

Modell-ID 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"

Dateie wéi am Beispill: 0,001 $ 1 API-Kredit · ≈ 0,11 ₽ Är Dateie gi virun der Ausféierung gemooss Op dëser Säit ausféieren

API-Schlëssel kréien
Kotoba Technologies Sprooch zu Text #commercial-use#speech-to-text#japanese#multilingual

Sprooch-zu-Text fir Clips bis zu 2 Minutten, optimiséiert fir Japanesch, mat Wuert-Zäitstempelen a Schlësselwuert-Hinweiser

Kotoba Technologies · Text

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

•obligatoresch audio_url
Fichier erofzéien, oder

Audio-Dauer limitéiert op 2 Minutten.

language •obligatoresch

Sprooch vun de Spriecher am Audio.

Erweidert with_timestamps · diarization · kana · keywords

Begrëffer, deenen hir Schreifweis am Transkript bevorzugt soll ginn, inklusiv Nimm oder Produktsprooch. Akzeptéiert maximal 1000 Begrëffer, all limitéiert op 64 Zeechen.

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

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer Kotoba Speech-to-Text

Transkribéiert en Audioclip vu bis zu 2 Minutten aus `audio_url`. Setzt `language` op ja, en, ko, zh, es, zh-hk, zh-tw oder auto. Fakultativ `with_timestamps` gëtt Start- an Endzäite pro Wuert zeréck, `diarization` markéiert d'Spriecher, `keywords` akzeptéiert bis zu 1000 Begrëffer fir d'Schreifweis ze beaflossen, an `kana` schreift Nimm op Japanesch a Katakana. D'Ausgab enthält Text, erkannt Sprooch an Audiodauer.

Parameteren

Schéck entweder den kanoneschen Numm oder den natierlechen Numm, net béid. Kanonesch Nimm

NummTyp StandardErlaabt Beschreiwung
audio_urlobligatoresch audio
Typurl · audio
Audio-Dauer limitéiert op 2 Minutten.
languageobligatoresch
Typenum
jaenkozheszh-hkzh-twauto
Sprooch vun de Spriecher am Audio.
with_timestampsoptional
Typboolean
Standardfalse
Timing-Output pro Wuert a `words`, inklusiv Ufank an Enn vun all Wuert.
diarizationoptional
Typboolean
Standardfalse
Spriecherzuweisung op Wuertniveau, nëmme fir Modeller mat Speaker-Tokens verfügbar. All Wuert kritt e `speaker_id`, awer seng Zäit bleift null, ausser `with_timestamps` ass och aktivéiert.
keywordsoptional
Typstring[]
≤ 1.000 Elementer
Begrëffer, deenen hir Schreifweis am Transkript bevorzugt soll ginn, inklusiv Nimm oder Produktsprooch. Akzeptéiert maximal 1000 Begrëffer, all limitéiert op 64 Zeechen.
kanaoptional
Typboolean
Standardfalse
Katakana-Duerstellung vu Persounen- a Plaznimm op Japanesch.
obligatoresch Kanoneschen Numm, och akzeptéiert

Fichierparameter akzeptéieren eng ëffentlech https:// URL, eng data: URI bis zu 10 MB oder de file_url vun engem Upload. Fichieren

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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt