コンテンツへスキップ

Wizper (Whisper v3)

統合

モデルID wizper
# 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/wizper?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"
  }'

# 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"

1 回の実行につき最大 $1.998 実際の使用量に応じて課金され、残額は返金されます このページで実行

APIキーを取得
OpenAI 音声認識 #transcription#speech

Whisper v3 による音声文字起こしと、タイムスタンプ付きチャンクでの英語翻訳

OpenAI · テキスト

最初の結果がここに表示されます

以下でリクエストを作成し、APIキーで実行してください。出力はストレージにコピーされ、永久保存または無料で7日保存されます。

リクエストを作成

コントロールはモデルスキーマから生成されます。値を変更するとコードと価格が更新されます。

•必須 audio_url
ファイルをドロップ、または

mp3、mp4、mpeg、mpga、m4a、wav、webm形式の音声ファイルを指すURLとして指定する文字起こし入力です。

詳細設定 task · language · chunk_level · version · max_segment_len · merge_chunks
task デフォルト transcribe

音声処理タスク。transcribeまたはtranslateを選択します。

デフォルト en

音声の言語選択。`None`を指定すると自動検出を行いますが、推論時間が長くなります。translateタスクでは英語が常に翻訳先となるため、この言語選択によって出力言語は変わりません。

デフォルト segment

返されるチャンクの粒度です。

デフォルト 3

Whisper largeファミリー内のバージョン選択。このモデルでは他のWhisperバリアントは使用されません。

デフォルト 29

分割が発生するまでの音声セグメントの長さの上限(秒)です。

POST /run/wizper?wait=20 見積もり → $1.998
# 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/wizper?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"
  }'

# 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"

このリクエストを実行

キーはこのブラウザ内に保持されます。Doitong APIにのみ送信され、「記憶する」にチェックを入れた場合のみlocalStorageに保存されます。 APIキーを取得

Wizper (Whisper v3)について

URL の音声ファイル(mp3、mp4、mpeg、mpga、m4a、wav、webm)を文字起こしするか、`task` で英語に翻訳します。`language` フィールドは 99 個の値に対応し、自動検出も可能です。全文とタイムスタンプ付きチャンクを返します。`max_segment_len`(10~29 秒)と `merge_chunks` でセグメントの分割方法を制御します。

パラメータ

正式名称またはネイティブ名のいずれか一方を送信してください。両方は送信しないでください。 正式名称

名前型 デフォルト許可される値 説明
audio_url必須 audio
型url · audio
mp3、mp4、mpeg、mpga、m4a、wav、webm形式の音声ファイルを指すURLとして指定する文字起こし入力です。
task任意
型enum
デフォルトtranscribe
transcribetranslate
音声処理タスク。transcribeまたはtranslateを選択します。
language任意
型enum
デフォルトen
afamarasazbabebgbnbobrbscacscyda
さらに83件deeleneseteufafifofrglguhahawhehihrhthuhyidisitjajwkakkkmknkolalblnloltlvmgmimkmlmnmrmsmtmynenlnnnoocpaplpsptrorusasdsiskslsnsosqsrsusvswtatetgthtktltrttukuruzviyiyozh
音声の言語選択。`None`を指定すると自動検出を行いますが、推論時間が長くなります。translateタスクでは英語が常に翻訳先となるため、この言語選択によって出力言語は変わりません。
chunk_level任意
型string
デフォルトsegment
返されるチャンクの粒度です。
max_segment_len任意
型integer
デフォルト29
10 – 29
分割が発生するまでの音声セグメントの長さの上限(秒)です。
merge_chunks任意
型boolean
デフォルトtrue
連続チャンクの結合制御。結合後のセグメントの長さがmax_segment_len以下の場合にのみ結合を許可します。
version任意
型string
デフォルト3
Whisper largeファミリー内のバージョン選択。このモデルでは他のWhisperバリアントは使用されません。
必須 正式名称(こちらも使用可能)

ファイルパラメータには、公開されたhttps:// URL、10 MBまでのdata: URI、またはアップロードしたファイルのfile_urlを指定します。 ファイル

出力

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "wizper",
  "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": 1998,
    "usd": "1.998",
    "charged": 1998,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "text": "string",
    "chunks": [
      {
        "timestamp": [],
        "text": "string"
      }
    ],
    "languages": [
      "af"
    ]
  },
  "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"
  }
}
ファイルの保存期間を選択すべてのoutputs[].urlはストレージ上のコピーです。アカウント設定または?storage=により、永久保存(GB・月単位で有料)または無料で7日保存できます。
すべてのモデルで同じ形式画像、動画、音声のいずれでも、type、url、content_type、width、height、durationが含まれます。outputはモデル独自の結果オブジェクトです。
出力フィールド
text
string音声から文字起こしされたテキストです。
chunks
array of object {timestamp, text}タイムスタンプ付きの音声チャンクです。
languages
array of enum (string)音声の言語検出結果。推定された言語のリストとして返され、デフォルト値はnullです。

AIエージェント向け:このページのMarkdown版はこちらです: https://doitong.com/ja/developers/models/wizper.md. すべてのモデルとガイド: https://doitong.com/developers/llms.txt