Przejdź do treści

Wizper (Whisper v3)

Integracja

Identyfikator modelu 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"

Do 1,998 $ za uruchomienie opłata jest naliczana za rzeczywiste wykorzystanie, a reszta jest zwracana Uruchom na tej stronie

Uzyskaj klucz API
OpenAI Mowa na tekst #transcription#speech

Transkrypcja mowy Whisper v3 i tłumaczenie na angielski z fragmentami zawierającymi znaczniki czasu

OpenAI · 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

Dane wejściowe do transkrypcji podane jako adres URL pliku audio w formacie mp3, mp4, mpeg, mpga, m4a, wav lub webm.

Zaawansowane task · language · chunk_level · version · max_segment_len · merge_chunks
task domyślnie transcribe

Zadanie przetwarzania audio: wybierz transcribe lub translate.

domyślnie en

Wybór języka audio; `None` oznacza automatyczne wykrywanie kosztem dłuższego czasu wnioskowania. W zadaniu translate językiem docelowym tłumaczenia jest zawsze angielski, więc ten wybór nie zmienia języka wyniku.

domyślnie segment

Szczegółowość zwracanych fragmentów.

domyślnie 3

Wybór wersji w rodzinie Whisper large; te modele nie używają żadnego innego wariantu Whisper.

domyślnie 29

Limit długości segmentu mowy w sekundach, po którego przekroczeniu następuje podział.

POST /run/wizper?wait=20 wycena → 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"

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 Wizper (Whisper v3)

Transkrybuje plik audio z adresu URL (mp3, mp4, mpeg, mpga, m4a, wav lub webm) albo tłumaczy go na angielski za pomocą `task`. Pole `language` obsługuje 99 wartości i może również automatycznie wykrywać język. Zwraca pełny tekst oraz fragmenty ze znacznikami czasu. `max_segment_len` (10-29 sekund) i `merge_chunks` sterują podziałem segmentów.

Parametry

Wyślij nazwę kanoniczną albo natywną, nie obie. Nazwy kanoniczne

NazwaTyp DomyślneDozwolone Opis
audio_urlwymagane audio
Typurl · audio
Dane wejściowe do transkrypcji podane jako adres URL pliku audio w formacie mp3, mp4, mpeg, mpga, m4a, wav lub webm.
taskopcjonalne
Typenum
Domyślnetranscribe
transcribetranslate
Zadanie przetwarzania audio: wybierz transcribe lub translate.
languageopcjonalne
Typenum
Domyślneen
afamarasazbabebgbnbobrbscacscyda
+83 więcejdeeleneseteufafifofrglguhahawhehihrhthuhyidisitjajwkakkkmknkolalblnloltlvmgmimkmlmnmrmsmtmynenlnnnoocpaplpsptrorusasdsiskslsnsosqsrsusvswtatetgthtktltrttukuruzviyiyozh
Wybór języka audio; `None` oznacza automatyczne wykrywanie kosztem dłuższego czasu wnioskowania. W zadaniu translate językiem docelowym tłumaczenia jest zawsze angielski, więc ten wybór nie zmienia języka wyniku.
chunk_levelopcjonalne
Typstring
Domyślnesegment
Szczegółowość zwracanych fragmentów.
max_segment_lenopcjonalne
Typinteger
Domyślne29
10 – 29
Limit długości segmentu mowy w sekundach, po którego przekroczeniu następuje podział.
merge_chunksopcjonalne
Typboolean
Domyślnetrue
Sterowanie scalaniem kolejnych fragmentów; scalenie jest dozwolone tylko wtedy, gdy długość wynikowego segmentu nie przekracza max_segment_len.
versionopcjonalne
Typstring
Domyślne3
Wybór wersji w rodzinie Whisper large; te modele nie używają żadnego innego wariantu Whisper.
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": "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"
  }
}
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
text
stringTekst poddany transkrypcji z audio.
chunks
array of object {timestamp, text}Fragmenty audio z sygnaturami czasowymi.
languages
array of enum (string)Wyniki wykrywania języka audio, zwracane jako lista wywnioskowanych języków, z null jako wartością domyślną.

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/wizper.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt