Kotoba Speech-to-Text

ပေါင်းစည်းရန်

မော်ဒယ် 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"

const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/kotoba-technologies/kotoba-stt/v1/speech-to-text", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

# 1. Connect once (Claude Code; Cursor, VS Code, Claude Desktop: https://doitong.com/my/developers/docs/mcp)
claude mcp add --transport http doitong-models https://api.doitong.ru/v1/mcp \
  --header "Authorization: Bearer $DOITONG_API_KEY"

# 2. Your agent calls the "run" tool with:
{
  "model_id": "kotoba-technologies/kotoba-stt/v1/speech-to-text",
  "input": {
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja"
  }
}

Doitong API မှတစ်ဆင့် Kotoba Speech-to-Text မော်ဒယ် (kotoba-technologies/kotoba-stt/v1/speech-to-text) ကို ခေါ်ယူပါ။ အေးဂျင့်များအတွက် စာရွက်စာတမ်းများ: https://doitong.com/my/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md

POST https://api.doitong.ru/v1/run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20
Authorization: Bearer $DOITONG_API_KEY
Content-Type: application/json

{
  "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
  "language": "ja"
}

Response status သည် "queued" သို့မဟုတ် "running" ဖြစ်ပါက "succeeded" ဖြစ်သည်အထိ GET https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20 ဖြင့် poll လုပ်ပါ။ ဖိုင်များသည် outputs[].url တွင် ရှိသည်။ လုပ်ဆောင်မီ အတိအကျစျေးနှုန်းရရန် တူညီသော body ဖြင့် POST https://api.doitong.ru/v1/quote/kotoba-technologies/kotoba-stt/v1/speech-to-text ကို အသုံးပြုပါ။

နမူနာကဲ့သို့ ဖိုင်များ: ၀.၀၀၁ $ ၁ API ခရက်ဒစ် · ≈ ၀.၁၁ ₽ လုပ်ဆောင်မီ သင့်ဖိုင်များကို တိုင်းတာသည် ဤစာမျက်နှာတွင် လုပ်ဆောင်ရန်

API ကီး ရယူရန်

Kotoba Technologies အသံမှ စာသား #commercial-use#speech-to-text#japanese#multilingual

ဂျပန်ဘာသာအတွက် အထူးညှိထားပြီး စကားလုံးအချိန်မှတ်တမ်းများနှင့် သော့ချက်စကားလုံးအရိပ်အမြွက်များပါဝင်သည့် 2 မိနစ်အထိ ဗီဒီယိုအပိုင်းများအတွက် စကားမှစာသား မော်ဒယ်

OpenAPI Markdown

Kotoba Technologies · စာသား

သင့်ပထမဆုံးရလဒ် ဤနေရာတွင် ပေါ်လာမည်

အောက်တွင် တောင်းဆိုချက်တစ်ခု တည်ဆောက်ပြီး သင့် API ကီးဖြင့် လုပ်ဆောင်ပါ။ ထွက်ရလဒ်များကို ကျွန်ုပ်တို့၏ သိုလှောင်မှုသို့ ကူးယူပြီး အမြဲတမ်း သို့မဟုတ် ၇ ရက် အခမဲ့ သိမ်းထားသည်။

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

သင့်ထည့်သွင်းအသံ၏ တစ်စက္ကန့်လျှင် စျေးနှုန်း

သင့်ထည့်သွင်းမှုအပေါ် မူတည်၍ စျေးနှုန်းသတ်မှတ်သည်

ထည့်သွင်းအသံ တစ်စက္ကန့်လျှင် ၀.၀၀၀၀၆၉၄ $

ထည့်သွင်းအသံ တစ်စက္ကန့်လျှင် ၀.၀၆၉၄ API ခရက်ဒစ် · ≈ ၀.၀၁ ₽

ဤတောင်းဆိုချက်: ၁၀ စက္ကန့် × ၀.၀၀၀၀၆၉၄ $ ၀.၀၀၁ $ ၁ API ခရက်ဒစ် · ≈ ၀.၁၁ ₽

လုပ်ဆောင်ရန် · ၀.၀၀၁ $

အောင်မြင်မှသာ ကောက်ခံပြီး မအောင်မြင်ပါက အလိုအလျောက် ပြန်အမ်းပေးသည်။

သင့်ထည့်သွင်းဖိုင်များ

audio_url

ကြာချိန်၊ s

Calculator သည် ဤနံပါတ်များကို အသုံးပြုသည်။ POST /quote/kotoba-technologies/kotoba-stt/v1/speech-to-text သည် သင့်ဖိုင်အစစ်များကို တိုင်းတာပြီး အတိအကျစျေးနှုန်းကို ပြန်ပေးသည်။

လုပ်ဆောင်မီ သင့်ဖိုင်များကို တိုင်းတာသည် (အရှည်၊ ရုပ်ထွက်အရည်အသွေး၊ ဖရိမ်နှုန်း)။ Quote တွင် အတိအကျစျေးနှုန်းကို ပြန်ပေးပြီး ထိုပမာဏအတိုင်းသာ ကောက်ခံမည်။

စျေးနှုန်းတွက်ချက်ရန် Endpoint: POST /quote/{id}

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ထိန်းချုပ်မှုများကို မော်ဒယ် schema မှ အလိုအလျောက်ဖန်တီးသည်။ ၎င်းတို့ကို ပြောင်းလဲသည်နှင့် code နှင့် စျေးနှုန်းတို့လည်း ပြောင်းလဲမည်။

audio •လိုအပ်သည် audio_url

ဖိုင်ကို ဆွဲချပါ၊ သို့မဟုတ်

အသံကြာချိန်ကို 2 မိနစ်အထိ ကန့်သတ်ထားသည်။

language •လိုအပ်သည်

အသံပြောသူများ အသုံးပြုသည့် ဘာသာစကား။

အဆင့်မြင့် with_timestamps · diarization · kana · keywords

keywords

မှတ်တမ်းစာသားတွင် စာလုံးပေါင်းကို ဦးစားပေးသင့်သည့် ဝေါဟာရများ၊ အမည်များ သို့မဟုတ် ထုတ်ကုန်ဝေါဟာရများ အပါအဝင်။ ဝေါဟာရ 1000 ထက် မပိုရ၊ တစ်ခုစီသည် စာလုံး 64 အထိသာ ဖြစ်ရမည်။

POST /run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20 ကုန်ကျစရိတ် → ၀.၀၀၁ $

# 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"

const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/kotoba-technologies/kotoba-stt/v1/speech-to-text?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "language": "ja",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/kotoba-technologies/kotoba-stt/v1/speech-to-text", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "kotoba-technologies/kotoba-stt/v1/speech-to-text",
      "input": {
        "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
        "language": "ja"
      },
      "wait_seconds": 20
    }
  }
}

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

API ကီး

သင့် key သည် ဤဘရောက်ဇာထဲတွင်သာ ရှိမည်ဖြစ်ပြီး Doitong API သို့သာ ပို့မည်။ Remember ကို အမှန်ခြစ်ထားမှသာ (localStorage) တွင် သိမ်းမည်။ ဤဘရောက်ဇာတွင် မှတ်ထားရန် API ကီး ရယူရန်

Kotoba Speech-to-Text အကြောင်း

`audio_url` မှ အများဆုံး 2 မိနစ်ကြာ အသံအပိုင်းကို အသံမှစာသားပြောင်းခြင်း ပြုလုပ်သည်။ `language` ကို ja၊ en၊ ko၊ zh၊ es၊ zh-hk၊ zh-tw သို့မဟုတ် auto သို့ သတ်မှတ်ပါ။ ရွေးချယ်နိုင်သော `with_timestamps` သည် စကားလုံးတစ်လုံးချင်းစီ၏ စတင်ချိန်နှင့် ပြီးဆုံးချိန်ကို ပြန်ပေးသည်၊ `diarization` သည် စကားပြောသူများကို အညွှန်းတပ်ပေးသည်၊ `keywords` သည် စာလုံးပေါင်းကို ဦးစားပေးညှိရန် ဝေါဟာရ 1000 အထိ လက်ခံသည်၊ `kana` သည် ဂျပန်ဘာသာအတွက် အမည်များကို ကတကန ဖြင့် ရေးပေးသည်။ ထွက်ရလဒ်တွင် စာသား၊ တွေ့ရှိသော ဘာသာစကားနှင့် အသံကြာချိန် ပါဝင်သည်။

ပါရာမီတာများ

စံအမည် သို့မဟုတ် မူရင်းအမည် တစ်ခုခုကိုသာ ပို့ပါ၊ နှစ်ခုလုံး မပို့ပါနှင့်။ စံအမည်များ

အမည်အမျိုးအစား မူလတန်ဖိုးခွင့်ပြုထားသည် ဖော်ပြချက်

audio_urlလိုအပ်သည် audio

အမျိုးအစားurl · audio

အသံကြာချိန်ကို 2 မိနစ်အထိ ကန့်သတ်ထားသည်။

languageလိုအပ်သည်

အမျိုးအစားenum

jaenkozheszh-hkzh-twauto

အသံပြောသူများ အသုံးပြုသည့် ဘာသာစကား။

with_timestampsရွေးချယ်နိုင်သည်

အမျိုးအစားboolean

မူလတန်ဖိုးfalse

`words` တွင် စကားလုံးတစ်လုံးချင်းစီ၏ အစနှင့် အဆုံးအပါအဝင် စကားလုံးအလိုက် အချိန်အချက်အလက် ထွက်ရလဒ်။

diarizationရွေးချယ်နိုင်သည်

အမျိုးအစားboolean

မူလတန်ဖိုးfalse

စကားလုံးအဆင့် အသံပြောသူသတ်မှတ်ချက်။ အသံပြောသူ တိုကင်များကို ထောက်ပံ့သော မော်ဒယ်များတွင်သာ အသုံးပြုနိုင်သည်။ စကားလုံးတစ်လုံးစီတွင် `speaker_id` ရရှိသော်လည်း `with_timestamps` ကိုလည်း ဖွင့်မထားပါက ၎င်း၏အချိန်သည် null ဖြစ်နေမည်။

keywordsရွေးချယ်နိုင်သည်

အမျိုးအစားstring[]

အကြောင်းအရာ ၁,၀၀၀ ခုထက် မပိုပါ

kanaရွေးချယ်နိုင်သည်

အမျိုးအစားboolean

မူလတန်ဖိုးfalse

ဂျပန်ဘာသာဖြင့် လူအမည်များနှင့် နေရာအမည်များ၏ Katakana ရေးသားပုံ။

လိုအပ်သည် စံအမည်၊ ထို့အပြင် လက်ခံသည်

ဖိုင်ပါရာမီတာများသည် အများပြည်သူသုံး https:// URL၊ 10 MB အထိ data: URI သို့မဟုတ် အပ်လုဒ်လုပ်ထားသောဖိုင်၏ file_url ကို လက်ခံသည်။ ဖိုင်များ

ထွက်ရလဒ်

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"
  }
}

သင့်ဖိုင်များ၊ သင့်ရွေးချယ်မှုoutputs[].url တိုင်းသည် ကျွန်ုပ်တို့၏ သိုလှောင်မှုရှိ မိတ္တူဖြစ်သည်- အမြဲတမ်း (GB-month အလိုက် ငွေပေးရသည်) သို့မဟုတ် ၇ ရက် အခမဲ့၊ သင့်အကောင့်ဆက်တင် သို့မဟုတ် ?storage= ဖြင့် သိမ်းထားသည်။

မော်ဒယ်တိုင်းတွင် ပုံစံတူပုံ၊ ဗီဒီယိုနှင့် အသံတို့အတွက် type၊ url၊ content_type၊ width၊ height နှင့် duration။ output သည် မော်ဒယ်ကိုယ်တိုင်၏ ရလဒ် object ဖြစ်သည်။

ထွက်ရလဒ်၏ Fields များ

audio_duration_secs: number | null
language_code: string
language_probability: number
text: string
words: array of object {end, speaker_id, start, text, type}

AI အေးဂျင့်များအတွက်- ဤစာမျက်နှာ၏ Markdown ကို ဤနေရာတွင် ရရှိနိုင်သည် https://doitong.com/my/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. မော်ဒယ်များနှင့် လမ်းညွှန်များအားလုံး: https://doitong.com/developers/llms.txt

သင့်ပထမဆုံးရလဒ် ဤနေရာတွင် ပေါ်လာမည်

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

Kotoba Speech-to-Text အကြောင်း

ပါရာမီတာများ

ထွက်ရလဒ်

နောက်ထပ် မော်ဒယ်များ: အသံမှ စာသား

Cohere Transcribe

Elevenlabs - Forced Alignment မူကွဲများ: 4

ElevenLabs Speech to Text မူကွဲများ: 2

ElevenLabs Speech to Text - Scribe V2 မူကွဲများ: 2