مواد پر جائیں

Kotoba Speech-to-Text

انٹیگریٹ کریں

ماڈل 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"

مثال جیسی فائلیں: ⁨$0.001⁩ 1 API کریڈٹ · ≈ ⁨₽0.11⁩ آپ کی فائلیں رن سے پہلے ناپی جاتی ہیں اس صفحے پر چلائیں

API کلید حاصل کریں
Kotoba Technologies آواز سے متن #commercial-use#speech-to-text#japanese#multilingual

2 منٹ تک کے کلپس کے لیے گفتار-سے-متن، جاپانی کے لیے بہتر بنایا گیا، لفظی ٹائم اسٹیمپس اور کلیدی الفاظ کے اشاروں کے ساتھ

Kotoba Technologies · متن

آپ کا پہلا نتیجہ یہاں آئے گا

ذیل میں درخواست بنائیں اور اپنی API کلید کے ساتھ چلائیں۔ آؤٹ پٹس ہمارے اسٹوریج میں کاپی ہو جاتے ہیں، ہمیشہ کے لیے یا مفت میں 7 دن تک محفوظ رہتے ہیں۔

درخواست بنائیں

کنٹرولز ماڈل اسکیما سے تیار ہوتے ہیں۔ آپ کے بدلنے کے ساتھ کوڈ اور قیمت اپ ڈیٹ ہوتے ہیں۔

•لازمی audio_url
فائل ڈراپ کریں، یا

آڈیو کا دورانیہ 2 منٹ تک محدود ہے۔

language •لازمی

آڈیو کے بولنے والوں کی استعمال کردہ زبان۔

ایڈوانسڈ with_timestamps · diarization · kana · keywords

ٹرانسکرپٹ میں ترجیح دی جانے والی اصطلاحات کے ہجے، بشمول نام یا product terminology۔ زیادہ سے زیادہ 1000 اصطلاحات قبول ہوتی ہیں، ہر ایک کی حد 64 حروف ہے۔

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

یہ درخواست چلائیں

آپ کی key اسی براؤزر میں رہتی ہے: یہ صرف Doitong API کو بھیجی جاتی ہے اور صرف اس صورت میں localStorage میں محفوظ ہوتی ہے جب آپ Remember منتخب کریں۔ API کلید حاصل کریں

Kotoba Speech-to-Text کے بارے میں

`audio_url` سے 2 منٹ تک کے آڈیو کلپ کو تحریر میں بدلتا ہے۔ `language` کو ja، en، ko، zh، es، zh-hk، zh-tw یا auto پر سیٹ کریں۔ اختیاری `with_timestamps` ہر لفظ کے آغاز اور اختتام کے اوقات واپس کرتا ہے، `diarization` مقررین کو لیبل کرتا ہے، `keywords` ہجے کو ترجیح دینے کے لیے 1000 تک اصطلاحات قبول کرتا ہے، اور `kana` جاپانی نام کاتاکانا میں لکھتا ہے۔ آؤٹ پٹ میں متن، شناخت شدہ زبان اور آڈیو کا دورانیہ شامل ہے۔

پیرامیٹرز

معیاری نام یا مقامی نام میں سے صرف ایک بھیجیں، دونوں نہیں۔ معیاری نام

نامقسم ڈیفالٹمجاز تفصیل
audio_urlلازمی audio
قسمurl · audio
آڈیو کا دورانیہ 2 منٹ تک محدود ہے۔
languageلازمی
قسمenum
jaenkozheszh-hkzh-twauto
آڈیو کے بولنے والوں کی استعمال کردہ زبان۔
with_timestampsاختیاری
قسمboolean
ڈیفالٹfalse
`words` میں فی لفظ timing آؤٹ پٹ، جس میں ہر لفظ کا آغاز اور اختتام شامل ہے۔
diarizationاختیاری
قسمboolean
ڈیفالٹfalse
لفظی سطح پر speaker attribution، صرف ان ماڈلز کے لیے دستیاب ہے جو speaker ٹوکن کو سپورٹ کرتے ہیں۔ ہر لفظ کو `speaker_id` ملتا ہے، لیکن اس کا وقت null رہتا ہے جب تک `with_timestamps` بھی فعال نہ ہو۔
keywordsاختیاری
قسمstring[]
≤ 1,000 آئٹمز
ٹرانسکرپٹ میں ترجیح دی جانے والی اصطلاحات کے ہجے، بشمول نام یا product terminology۔ زیادہ سے زیادہ 1000 اصطلاحات قبول ہوتی ہیں، ہر ایک کی حد 64 حروف ہے۔
kanaاختیاری
قسمboolean
ڈیفالٹfalse
جاپانی زبان میں لوگوں کے ناموں اور مقامات کے ناموں کی Katakana rendering۔
لازمی معیاری نام، یہ بھی قبول ہے

فائل پیرامیٹرز عوامی https:// URL، 10 MB تک کی data: URI، یا اپ لوڈ کے file_url کو قبول کرتے ہیں۔ فائلیں

آؤٹ پٹ

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"
  }
}
آپ کی فائلیں، آپ کا انتخابہر outputs[].url ہمارے اسٹوریج میں ایک کاپی ہے: ہمیشہ کے لیے محفوظ (فی GB-ماہ ادائیگی) یا مفت میں 7 دن تک، آپ کی اکاؤنٹ سیٹنگ یا ?storage= کے مطابق۔
ہر ماڈل میں ایک جیسی ساختtype، url، content_type، width، height اور duration، تصاویر، ویڈیو اور آڈیو سب کے لیے یکساں۔ output ماڈل کا اپنا نتیجہ آبجیکٹ ہے۔
آؤٹ پٹ کے فیلڈز
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

AI ایجنٹس کے لیے: یہ صفحہ Markdown میں یہاں موجود ہے https://doitong.com/ur/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. تمام ماڈلز اور گائیڈز: https://doitong.com/developers/llms.txt