Aqbeż għall-kontenut

Kotoba Speech-to-Text

Integra

Id tal-mudell 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"

Fajls bħall-eżempju: $0.001 1 kreditu tal-API · ≈ ₽0.11 il-fajls tiegħek jitkejlu qabel it-tħaddim Ħaddmu f’din il-paġna

Ikseb ċavetta API
Kotoba Technologies Diskors għal test #commercial-use#speech-to-text#japanese#multilingual

Speech-to-text għal klipps sa 2 minuti, ottimizzat għall-Ġappuniż, b’timestamps tal-kliem u ħjiel ta’ keywords

Kotoba Technologies · Test

L-ewwel riżultat tiegħek jidher hawn

Ibni talba hawn taħt u ħaddimha biċ-ċavetta API tiegħek. L-outputs jiġu kkupjati fil-ħażna tagħna, miżmuma għal dejjem jew 7 ijiem b’xejn.

Ibni talba

Il-kontrolli jiġu ġġenerati mill-iskema tal-mudell. Il-kodiċi u l-prezz jaġġornaw hekk kif tibdilhom.

•meħtieġ audio_url
Waqqa’ fajl, jew

Tul tal-awdjo limitat għal 2 minuti.

language •meħtieġ

Lingwa użata mill-kelliema tal-awdjo.

Avvanzat with_timestamps · diarization · kana · keywords

Termini li l-ortografija tagħhom għandha tingħata preferenza fit-traskrizzjoni, inklużi ismijiet jew terminoloġija tal-prodott. Jaċċetta mhux aktar minn 1000 terminu, kull wieħed limitat għal 64 karattru.

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

Ħaddem din it-talba

Iċ-ċavetta tiegħek tibqa’ f’dan il-browser: tintbagħat biss lid-Doitong API u tiġi ssejvjata (localStorage) biss jekk timmarka Ftakar. Ikseb ċavetta API

Dwar Kotoba Speech-to-Text

Jittraskrivi klipp awdjo sa 2 minuti minn `audio_url`. Issettja `language` għal ja, en, ko, zh, es, zh-hk, zh-tw jew auto. `with_timestamps` fakultattiv jirritorna l-ħinijiet tal-bidu u t-tmiem għal kull kelma, `diarization` jittikketta l-kelliema, `keywords` jaċċetta sa 1000 terminu biex jinfluwenza l-ortografija, u `kana` jikteb l-ismijiet bil-katakana għall-Ġappuniż. L-output jinkludi t-test, il-lingwa identifikata u t-tul tal-awdjo.

Parametri

Ibgħat jew l-isem kanoniku jew l-isem nattiv, mhux it-tnejn. Ismijiet kanoniċi

IsemTip PrestabbilitPermess Deskrizzjoni
audio_urlmeħtieġ audio
Tipurl · audio
Tul tal-awdjo limitat għal 2 minuti.
languagemeħtieġ
Tipenum
jaenkozheszh-hkzh-twauto
Lingwa użata mill-kelliema tal-awdjo.
with_timestampsmhux obbligatorju
Tipboolean
Prestabbilitfalse
Output tal-ħin għal kull kelma f'`words`, inkluż il-bidu u t-tmiem ta' kull kelma.
diarizationmhux obbligatorju
Tipboolean
Prestabbilitfalse
Attribuzzjoni tal-kelliem fil-livell tal-kelma, disponibbli biss għal mudelli li jappoġġaw tokens tal-kelliema. Kull kelma tirċievi `speaker_id`, iżda l-ħin tagħha jibqa' null sakemm ma jkunx attivat ukoll `with_timestamps`.
keywordsmhux obbligatorju
Tipstring[]
≤ 1,000 oġġetti
Termini li l-ortografija tagħhom għandha tingħata preferenza fit-traskrizzjoni, inklużi ismijiet jew terminoloġija tal-prodott. Jaċċetta mhux aktar minn 1000 terminu, kull wieħed limitat għal 64 karattru.
kanamhux obbligatorju
Tipboolean
Prestabbilitfalse
Rendiment Katakana tal-ismijiet tan-nies u tal-postijiet bil-Ġappuniż.
meħtieġ Isem kanoniku, aċċettat ukoll

Il-parametri tal-fajls jaċċettaw URL pubbliku https://, URI data: sa 10 MB, jew file_url ta’ upload. Fajls

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"
  }
}
Il-fajls tiegħek, l-għażla tiegħekKull outputs[].url huwa kopja fil-ħażna tagħna: miżmuma għal dejjem (imħallsa għal kull GB-xahar) jew 7 ijiem b’xejn, skont l-issettjar tal-kont tiegħek jew ?storage=.
L-istess struttura fuq kull mudelltype, url, content_type, width, height u duration, kemm għall-immaġnijiet kif ukoll għall-vidjo u l-awdjo. output huwa l-oġġett tar-riżultat tal-mudell innifsu.
Oqsma tal-output
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt