ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

Kotoba Speech-to-Text

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ 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"

ਉਦਾਹਰਨ ਵਰਗੀਆਂ ਫ਼ਾਈਲਾਂ: $0.001 1 API ਕ੍ਰੈਡਿਟ · ≈ ₽0.11 ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ ਚਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਮਾਪੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
Kotoba Technologies ਬੋਲੀ ਤੋਂ ਟੈਕਸਟ #commercial-use#speech-to-text#japanese#multilingual

2 ਮਿੰਟਾਂ ਤੱਕ ਦੀਆਂ ਕਲਿੱਪਾਂ ਲਈ ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ, ਜਾਪਾਨੀ ਲਈ ਅਨੁਕੂਲਿਤ, ਸ਼ਬਦਾਂ ਦੇ ਟਾਈਮਸਟੈਂਪ ਅਤੇ ਕੀਵਰਡ ਸੰਕੇਤਾਂ ਸਮੇਤ

Kotoba Technologies · ਟੈਕਸਟ

ਤੁਹਾਡਾ ਪਹਿਲਾ ਨਤੀਜਾ ਇੱਥੇ ਹੋਵੇਗਾ

ਹੇਠਾਂ ਬੇਨਤੀ ਬਣਾਓ ਅਤੇ ਆਪਣੀ API ਕੁੰਜੀ ਨਾਲ ਚਲਾਓ। ਆਉਟਪੁੱਟ ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਕਾਪੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਹਮੇਸ਼ਾ ਲਈ ਜਾਂ ਮੁਫ਼ਤ ਵਿੱਚ 7 ਦਿਨ ਤੱਕ ਰੱਖੇ ਜਾਂਦੇ ਹਨ।

ਰਿਕਵੈਸਟ ਬਣਾਓ

ਕੰਟਰੋਲ ਮਾਡਲ ਸਕੀਮਾ ਤੋਂ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਬਦਲਾਅ ਕਰਦੇ ਹੀ ਕੋਡ ਅਤੇ ਕੀਮਤ ਅੱਪਡੇਟ ਹੋ ਜਾਂਦੇ ਹਨ।

•ਲੋੜੀਂਦਾ audio_url
ਫ਼ਾਈਲ ਛੱਡੋ, ਜਾਂ

ਆਡੀਓ ਦੀ ਮਿਆਦ 2 ਮਿੰਟ ਤੱਕ ਸੀਮਿਤ ਹੈ।

language •ਲੋੜੀਂਦਾ

ਆਡੀਓ ਦੇ ਬੋਲਣ ਵਾਲਿਆਂ ਦੁਆਰਾ ਵਰਤੀ ਗਈ ਭਾਸ਼ਾ।

ਉੱਨਤ with_timestamps · diarization · kana · keywords

ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਵਿੱਚ ਜਿਨ੍ਹਾਂ ਸ਼ਬਦ-ਰੂਪਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇਣੀ ਚਾਹੀਦੀ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਨਾਮ ਜਾਂ ਉਤਪਾਦ-ਸੰਬੰਧੀ ਸ਼ਬਦਾਵਲੀ ਸ਼ਾਮਲ ਹੈ। ਵੱਧ ਤੋਂ ਵੱਧ 1000 ਸ਼ਬਦ ਸਵੀਕਾਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਹਰ ਇੱਕ 64 ਅੱਖਰਾਂ ਤੱਕ।

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

ਇਹ ਬੇਨਤੀ ਚਲਾਓ

ਤੁਹਾਡੀ key ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ: ਇਹ ਸਿਰਫ਼ Doitong API ਨੂੰ ਭੇਜੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ (localStorage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਜੇ ਤੁਸੀਂ Remember ਚੁਣੋ। API ਕੁੰਜੀ ਪ੍ਰਾਪਤ ਕਰੋ

Kotoba Speech-to-Text ਬਾਰੇ

`audio_url` ਤੋਂ ਵੱਧ ਤੋਂ ਵੱਧ 2 ਮਿੰਟ ਦੀ ਆਡੀਓ ਕਲਿੱਪ ਨੂੰ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਦਾ ਹੈ। `language` ਨੂੰ ja, en, ko, zh, es, zh-hk, zh-tw ਜਾਂ auto ’ਤੇ ਸੈੱਟ ਕਰੋ। ਵਿਕਲਪਿਕ `with_timestamps` ਹਰ ਸ਼ਬਦ ਦੇ ਸ਼ੁਰੂ ਅਤੇ ਅੰਤ ਦੇ ਸਮੇਂ ਵਾਪਸ ਕਰਦਾ ਹੈ, `diarization` ਬੋਲਣ ਵਾਲਿਆਂ ਨੂੰ ਲੇਬਲ ਕਰਦਾ ਹੈ, `keywords` ਸ਼ਬਦ-ਲਿਖਤ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ 1000 ਸ਼ਬਦ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ, ਅਤੇ `kana` ਜਾਪਾਨੀ ਨਾਮਾਂ ਨੂੰ ਕਟਾਕਾਨਾ ਵਿੱਚ ਲਿਖਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਵਿੱਚ ਟੈਕਸਟ, ਪਛਾਣੀ ਗਈ ਭਾਸ਼ਾ ਅਤੇ ਆਡੀਓ ਦੀ ਮਿਆਦ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ।

ਪੈਰਾਮੀਟਰ

ਕੈਨੋਨਿਕਲ ਨਾਮ ਜਾਂ ਨੇਟਿਵ ਨਾਮ ਵਿੱਚੋਂ ਕੋਈ ਇੱਕ ਭੇਜੋ, ਦੋਵੇਂ ਨਹੀਂ। ਕੈਨੋਨਿਕਲ ਨਾਮ

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
audio_urlਲੋੜੀਂਦਾ audio
ਕਿਸਮurl · audio
ਆਡੀਓ ਦੀ ਮਿਆਦ 2 ਮਿੰਟ ਤੱਕ ਸੀਮਿਤ ਹੈ।
languageਲੋੜੀਂਦਾ
ਕਿਸਮenum
jaenkozheszh-hkzh-twauto
ਆਡੀਓ ਦੇ ਬੋਲਣ ਵਾਲਿਆਂ ਦੁਆਰਾ ਵਰਤੀ ਗਈ ਭਾਸ਼ਾ।
with_timestampsਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟfalse
`words` ਵਿੱਚ ਹਰ ਸ਼ਬਦ ਦੀ ਸ਼ੁਰੂਆਤ ਅਤੇ ਸਮਾਪਤੀ ਸਮੇਤ ਪ੍ਰਤੀ-ਸ਼ਬਦ ਸਮਾਂ-ਨਿਰਧਾਰਣ ਆਉਟਪੁੱਟ।
diarizationਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟfalse
ਸ਼ਬਦ-ਪੱਧਰੀ ਬੋਲਣ ਵਾਲੇ ਦੀ ਪਛਾਣ, ਕੇਵਲ ਉਨ੍ਹਾਂ ਮਾਡਲਾਂ ਲਈ ਉਪਲਬਧ ਹੈ ਜੋ speaker ਟੋਕਨ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ। ਹਰ ਸ਼ਬਦ ਨੂੰ ਇੱਕ `speaker_id` ਮਿਲਦੀ ਹੈ, ਪਰ ਇਸ ਦਾ ਸਮਾਂ null ਰਹਿੰਦਾ ਹੈ ਜਦ ਤੱਕ `with_timestamps` ਵੀ ਸਮਰੱਥ ਨਾ ਹੋਵੇ।
keywordsਵਿਕਲਪਿਕ
ਕਿਸਮstring[]
≤ 1,000 ਆਈਟਮਾਂ
ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਵਿੱਚ ਜਿਨ੍ਹਾਂ ਸ਼ਬਦ-ਰੂਪਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇਣੀ ਚਾਹੀਦੀ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਨਾਮ ਜਾਂ ਉਤਪਾਦ-ਸੰਬੰਧੀ ਸ਼ਬਦਾਵਲੀ ਸ਼ਾਮਲ ਹੈ। ਵੱਧ ਤੋਂ ਵੱਧ 1000 ਸ਼ਬਦ ਸਵੀਕਾਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਹਰ ਇੱਕ 64 ਅੱਖਰਾਂ ਤੱਕ।
kanaਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟfalse
ਜਪਾਨੀ ਵਿੱਚ ਲੋਕਾਂ ਅਤੇ ਸਥਾਨਾਂ ਦੇ ਨਾਮਾਂ ਦਾ ਕਾਤਾਕਾਨਾ ਰੂਪ।
ਲੋੜੀਂਦਾ ਕੈਨੋਨਿਕਲ ਨਾਮ, ਇਹ ਵੀ ਸਵੀਕਾਰਿਆ ਜਾਂਦਾ ਹੈ

ਫ਼ਾਈਲ ਪੈਰਾਮੀਟਰ ਜਨਤਕ https:// URL, 10 MB ਤੱਕ ਦਾ data: URI, ਜਾਂ ਅੱਪਲੋਡ ਦੇ file_url ਨੂੰ ਸਵੀਕਾਰਦੇ ਹਨ। ਫ਼ਾਈਲਾਂ

ਆਉਟਪੁੱਟ

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"
  }
}
ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ, ਤੁਹਾਡੀ ਚੋਣਹਰ outputs[].url ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਕਾਪੀ ਹੈ: ਹਮੇਸ਼ਾ ਲਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ (ਪ੍ਰਤੀ GB-ਮਹੀਨਾ ਭੁਗਤਾਨ) ਜਾਂ 7 ਦਿਨ ਤੱਕ ਮੁਫ਼ਤ, ਤੁਹਾਡੀ ਖਾਤਾ ਸੈਟਿੰਗ ਜਾਂ ?storage= ਅਨੁਸਾਰ।
ਹਰ ਮਾਡਲ ’ਤੇ ਇੱਕੋ ਜਿਹਾ ਰੂਪਤਸਵੀਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਸਭ ਲਈ type, url, content_type, width, height ਅਤੇ duration। output ਮਾਡਲ ਦਾ ਆਪਣਾ ਨਤੀਜਾ ਆਬਜੈਕਟ ਹੈ।
ਆਉਟਪੁੱਟ ਦੇ ਫ਼ੀਲਡ
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt