跳转到内容

Wizper (Whisper v3)

集成

模型 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"

每次运行最高 $1.998 按实际用量收费,剩余部分退款 在此页面运行

获取 API 密钥
OpenAI 语音转文本 #transcription#speech

Whisper v3 语音转写并翻译为英语,返回带时间戳的片段

OpenAI · 文本

你的第一个结果会显示在这里

在下方构建请求,并使用你的 API 密钥运行。输出会复制到我们的存储中,可永久保存,也可免费保存 7 天。

构建请求

控件根据模型架构生成。修改控件时,代码和价格会同步更新。

•必填 audio_url
拖放文件,或

转录输入,提供指向 mp3、mp4、mpeg、mpga、m4a、wav 或 webm 格式音频文件的 URL。

高级 task · language · chunk_level · version · max_segment_len · merge_chunks
task 默认 transcribe

音频处理任务:选择 transcribe 或 translate。

默认 en

音频语言选择,使用 `None` 可请求自动检测,但推理时间会更长。对于 translate 任务,英文始终是翻译目标,因此此语言选择不会改变输出语言。

默认 segment

返回分块的粒度。

默认 3

Whisper large 系列中的版本选择;这些模型不使用其他 Whisper 变体。

默认 29

语音片段长度上限,单位为秒,超过后将进行拆分。

POST /run/wizper?wait=20 报价 → $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"

运行此请求

你的密钥会保留在此浏览器中:仅发送到 Doitong API;只有勾选“记住”后才会保存到 localStorage。 获取 API 密钥

关于 Wizper (Whisper v3)

从 URL 转录音频文件(支持 mp3、mp4、mpeg、mpga、m4a、wav 或 webm 格式),或通过 `task` 参数将其翻译为英文。`language` 字段支持 99 种语言,并支持自动检测。返回全文以及带有时间戳的片段。`max_segment_len`(10-29 秒)和 `merge_chunks` 用于控制片段的分割方式。

参数

发送规范名称或原生名称之一,不要同时发送两者。 规范名称

名称类型 默认值允许值 描述
audio_url必填 audio
类型url · audio
转录输入,提供指向 mp3、mp4、mpeg、mpga、m4a、wav 或 webm 格式音频文件的 URL。
task可选
类型enum
默认值transcribe
transcribetranslate
音频处理任务:选择 transcribe 或 translate。
language可选
类型enum
默认值en
afamarasazbabebgbnbobrbscacscyda
另有 83 个deeleneseteufafifofrglguhahawhehihrhthuhyidisitjajwkakkkmknkolalblnloltlvmgmimkmlmnmrmsmtmynenlnnnoocpaplpsptrorusasdsiskslsnsosqsrsusvswtatetgthtktltrttukuruzviyiyozh
音频语言选择,使用 `None` 可请求自动检测,但推理时间会更长。对于 translate 任务,英文始终是翻译目标,因此此语言选择不会改变输出语言。
chunk_level可选
类型string
默认值segment
返回分块的粒度。
max_segment_len可选
类型integer
默认值29
10 – 29
语音片段长度上限,单位为秒,超过后将进行拆分。
merge_chunks可选
类型boolean
默认值true
连续分块合并控制,仅当合并后片段的时长不大于 max_segment_len 时才允许合并。
version可选
类型string
默认值3
Whisper large 系列中的版本选择;这些模型不使用其他 Whisper 变体。
必填 规范名称,也可接受

文件参数接受公开的 https:// URL、最大 10 MB 的 data: URI,或上传文件的 file_url。 文件

输出

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"
  }
}
文件由你选择每个 outputs[].url 都是我们存储中的副本:可永久保存(按 GB-月付费),也可免费保存 7 天,由账户设置或 ?storage= 决定。
所有模型的结构一致图像、视频和音频的字段均为 type、url、content_type、width、height 和 duration。output 是模型自身的结果对象。
输出字段
text
string从音频转录出的文本。
chunks
array of object {timestamp, text}附带时间戳的音频分块。
languages
array of enum (string)音频语言检测结果,以推断语言列表的形式返回,默认值为 null。

对于 AI 代理:此页面的 Markdown 版本位于 https://doitong.com/zh-CN/developers/models/wizper.md. 所有模型和指南: https://doitong.com/developers/llms.txt