שפּרינגען צו אינהאַלט

Kotoba Speech-to-Text

אינטעגרירן

מאָדעל־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"

פֿײַלן ווי דער בײַשפּיל: ⁨$ 0.001⁩ 1 API־קרעדיט · ≈ ⁨₽ 0.11⁩ אײַערע פֿײַלן ווערן געמאסטן איידערן לויפֿן לויפֿן עס אויף דער דאָזיקער בלאַט

באַקומען אַן API שליסל
Kotoba Technologies רעדע צו טעקסט #commercial-use#speech-to-text#japanese#multilingual

רעדע־צו־טעקסט פֿאַר קליפּס ביז 2 מינוט, אָפּטימיזירט פֿאַר יאַפּאַניש, מיט וואָרט־צײַטשטעמפּלען און קיוואָרט־הינטן

Kotoba Technologies · טעקסט

דאָ קומט אײַער ערשטער רעזולטאַט

בויט אונטן אַ בקשה און לויפט זי מיט אײַער API שליסל. רעזולטאַטן ווערן קאַפּירט צו אונדזער סטאָרידזש, געהאַלטן אויף אייביק אָדער 7 טעג אומזיסט.

בויען אַ בעטן

קאָנטראָלן ווערן דזשענערירט פֿון דעם מאָדעל־סכעמע. דער קאָד און דער פּרײַז דערהײַנטיקן זיך ווען איר ענדערט זיי.

•פארלאנגט audio_url
לייגט אַרײַן אַ טעקע, אָדער

אַודיאָ־געדויער באַגרענעצט צו 2 מינוט.

language •פארלאנגט

שפּראַך גענוצט דורך די רעדנדיקע אין אַודיאָ.

פֿאָרגעשריטן with_timestamps · diarization · kana · keywords

טערמינען וועמענס אויסלייג זאָל ווערן פֿארמאָגט אין דער טראַנסקריפּציע, אַרײַנגערעכנט נעמען אָדער פּראָדוקט־טערמינאָלאָגיע. נעמט אָן נישט מער ווי 1000 טערמינען, יעדעס באַגרענעצט צו 64 אותיות.

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

לויפֿן דעם ריקוועסט

אײַער key בלײַבט אין דעם בלעטערער: זי ווערט געשיקט נאָר צום Doitong API און אָפּגעהיט (localStorage) נאָר אויב איר טיקט אָן געדענקען. באַקומען אַן API שליסל

וועגן Kotoba Speech-to-Text

טראַנסקריבירט אַן אַודיאָ־קליפּ ביז 2 מינוט פֿון `audio_url`. באַשטימט `language` אויף ja, en, ko, zh, es, zh-hk, zh-tw אָדער auto. דער אָפּציאָנאַלער `with_timestamps` גיט צוריק אָנהייב־ און סוף־צײַטן פֿאַר יעדן וואָרט, `diarization` צייכנט אָן רעדנער, `keywords` נעמט אָן ביז 1000 טערמינען צו בײַטן אויסלייג, און `kana` שרײַבט נעמען אין קאַטאַקאַנאַ פֿאַר יאַפּאַניש. דער רעזולטאַט נעמט אַרײַן טעקסט, דערקענטע שפּראַך און אַודיאָ־געדויער.

פּאַראַמעטערס

שיקט אָדער דעם קאַנאָנישן נאָמען אָדער דעם נאַטיוון נאָמען, נישט ביידע. קאַנאָנישע נעמען

נאָמעןטיפּ סטאַנדאַרטערלויבט באַשרײַבונג
audio_urlפארלאנגט audio
טיפּurl · audio
אַודיאָ־געדויער באַגרענעצט צו 2 מינוט.
languageפארלאנגט
טיפּenum
jaenkozheszh-hkzh-twauto
שפּראַך גענוצט דורך די רעדנדיקע אין אַודיאָ.
with_timestampsאָפּציאָנעל
טיפּboolean
סטאַנדאַרטfalse
צײַט־אויסגאַבע לויט וואָרט אין `words`, אַרײַנגערעכנט אָנהייב און סוף פֿון יעדן וואָרט.
diarizationאָפּציאָנעל
טיפּboolean
סטאַנדאַרטfalse
רעדנער־צוטיילונג אויף וואָרט־ניוואָ, בנימצא נאָר פֿאַר מאָדעלן וואָס שטיצן רעדנער־טאָקענס. יעדער וואָרט באקומט אַ `speaker_id`, אָבער זײַן צײַט בלײַבט null סײַדן `with_timestamps` איז אויך אַקטיווירט.
keywordsאָפּציאָנעל
טיפּstring[]
≤ 1,000 ייטעמס
טערמינען וועמענס אויסלייג זאָל ווערן פֿארמאָגט אין דער טראַנסקריפּציע, אַרײַנגערעכנט נעמען אָדער פּראָדוקט־טערמינאָלאָגיע. נעמט אָן נישט מער ווי 1000 טערמינען, יעדעס באַגרענעצט צו 64 אותיות.
kanaאָפּציאָנעל
טיפּboolean
סטאַנדאַרטfalse
קאַטאַקאַנאַ־אויפֿשרײַבונג פֿון מענטשן־ און אָרטנעמען אויף יאַפּאַניש.
פארלאנגט קאַנאָנישער נאָמען, אויך אַקצעפּטירט

טעקע־פּאַראַמעטערס נעמען אַן עפֿנטלעכע https:// URL, אַ data: URI ביז 10 MB, אָדער דעם file_url פֿון אַן אַרויפֿלאָד. טעקעס

אויסגאַבע

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"
  }
}
אייער טעקעס, אייער ברירהיעדער outputs[].url איז אַ קאַפּיע אין אונדזער סטאָרידזש: געהאַלטן אויף אייביק (באַצאָלט פּער GB־חודש) אָדער 7 טעג אומזיסט, לויט אײַער חשבון־באַשטעטיקונג אָדער ?storage=.
דער זעלבער פֿאָרעם בײַ יעדן מאָדעלtype, url, content_type, width, height און duration, סײַ פֿאַר בילדער, ווידעאָ און אַודיאָ. output איז דער אייגענער רעזולטאַט־אָביעקט פֿון מאָדעל.
פֿעלדער פֿון דער אויסגאַבע
audio_duration_secs
number | null
language_code
string
language_probability
number
text
string
words
array of object {end, speaker_id, start, text, type}

פֿאַר AI־אַגענטן: דער בלאַט ווי Markdown געפֿינט זיך בײַ https://doitong.com/yi/developers/models/kotoba-technologies/kotoba-stt/v1/speech-to-text.md. אַלע מאָדעלן און גוידעס: https://doitong.com/developers/llms.txt