Przejdź do treści

Kotoba Speech-to-Text

Integracja

Identyfikator modelu 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"

Pliki takie jak przykład: 0,001 $ 1 kredyt API · ≈ 0,11 ₽ Twoje pliki są mierzone przed uruchomieniem Uruchom na tej stronie

Uzyskaj klucz API
Kotoba Technologies Mowa na tekst #commercial-use#speech-to-text#japanese#multilingual

Speech-to-text dla klipów do 2 minut, dostosowany do języka japońskiego, ze znacznikami czasu słów i podpowiedziami słów kluczowych

Kotoba Technologies · Tekst

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane audio_url
Upuść plik lub

Czas trwania audio ograniczony do 2 minut.

language •wymagane

Język używany przez osoby mówiące na nagraniu audio.

Zaawansowane with_timestamps · diarization · kana · keywords

Terminy, których pisownia powinna być preferowana w transkrypcji, w tym nazwy lub terminologia produktowa. Akceptowanych jest maksymalnie 1000 terminów, każdy ograniczony do 64 znaków.

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

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Kotoba Speech-to-Text

Transkrybuje klip audio o długości do 2 minut z `audio_url`. Ustaw `language` na ja, en, ko, zh, es, zh-hk, zh-tw lub auto. Opcjonalne `with_timestamps` zwraca czasy rozpoczęcia i zakończenia każdego słowa, `diarization` oznacza mówców, `keywords` przyjmuje do 1000 terminów wpływających na pisownię, a `kana` zapisuje japońskie imiona katakaną. Wynik obejmuje tekst, wykryty język i długość audio.

Parametry

Wyślij nazwę kanoniczną albo natywną, nie obie. Nazwy kanoniczne

NazwaTyp DomyślneDozwolone Opis
audio_urlwymagane audio
Typurl · audio
Czas trwania audio ograniczony do 2 minut.
languagewymagane
Typenum
jaenkozheszh-hkzh-twauto
Język używany przez osoby mówiące na nagraniu audio.
with_timestampsopcjonalne
Typboolean
Domyślnefalse
Wynik synchronizacji dla każdego słowa w `words`, obejmujący początek i koniec każdego słowa.
diarizationopcjonalne
Typboolean
Domyślnefalse
Atrybucja mówcy na poziomie słów, dostępna tylko dla modeli obsługujących tokeny mówców. Każde słowo otrzymuje `speaker_id`, ale jego czas pozostaje null, jeśli nie włączono również `with_timestamps`.
keywordsopcjonalne
Typstring[]
≤ 1000 elementów
Terminy, których pisownia powinna być preferowana w transkrypcji, w tym nazwy lub terminologia produktowa. Akceptowanych jest maksymalnie 1000 terminów, każdy ograniczony do 64 znaków.
kanaopcjonalne
Typboolean
Domyślnefalse
Zapis nazw osób i miejsc w języku japońskim za pomocą katakany.
wymagane Nazwa kanoniczna, również akceptowana

Parametry plików przyjmują publiczny URL https://, identyfikator URI data: do 10 MB albo file_url przesłanego pliku. Pliki

Wynik

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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt