কনটেন্টে যান

Wizper (Whisper v3)

ইন্টিগ্রেট করুন

মডেল id wizper
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

প্রতি রান সর্বোচ্চ ১.৯৯৮$ পর্যন্ত প্রকৃত ব্যবহার অনুযায়ী চার্জ করা হয়, বাকি অর্থ ফেরত দেওয়া হয় এই পেজে চালান

API কী পান
OpenAI স্পিচ থেকে টেক্সট #transcription#speech

Whisper v3 ব্যবহার করে স্পিচ ট্রান্সক্রিপশন এবং timestamp-সহ chunk-এ ইংরেজিতে অনুবাদ

OpenAI · টেক্সট

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক audio_url
একটি ফাইল ড্রপ করুন, অথবা

mp3, mp4, mpeg, mpga, m4a, wav বা webm ফরম্যাটের অডিও ফাইলের দিকে নির্দেশ করা URL হিসেবে সরবরাহ করা ট্রান্সক্রিপশন ইনপুট।

অ্যাডভান্সড task · language · chunk_level · version · max_segment_len · merge_chunks
task ডিফল্ট transcribe

অডিও প্রসেসিং টাস্ক: transcribe অথবা translate বেছে নিন।

ডিফল্ট en

অডিওর ভাষা নির্বাচন; `None` বেছে নিলে স্বয়ংক্রিয় শনাক্তকরণ অনুরোধ করা হয়, তবে এতে ইনফারেন্সের সময় বেশি লাগে। translate টাস্কের ক্ষেত্রে ইংরেজিই সবসময় অনুবাদের লক্ষ্য, তাই এই ভাষা নির্বাচন আউটপুটের ভাষা পরিবর্তন করে না।

ডিফল্ট segment

ফেরত দেওয়া খণ্ডগুলোর গ্র্যানুলারিটি।

ডিফল্ট 3

Whisper large ফ্যামিলির মধ্যে সংস্করণ নির্বাচন; এই মডেলগুলোতে অন্য কোনো Whisper ভ্যারিয়েন্ট ব্যবহার করা হয় না।

ডিফল্ট 29

সেগমেন্ট ভাগ হওয়ার আগে অডিও সেগমেন্টের দৈর্ঘ্যের সীমা, সেকেন্ডে পরিমাপ করা।

POST /run/wizper?wait=20 মূল্য → ১.৯৯৮$
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Wizper (Whisper v3) সম্পর্কে

একটি URL (mp3, mp4, mpeg, mpga, m4a, wav বা webm) থেকে অডিও ফাইলের ট্রান্সক্রিপশন তৈরি করে, অথবা `task` ব্যবহার করে এটি ইংরেজিতে অনুবাদ করে। `language` ফিল্ডে 99টি মান সমর্থিত, এবং স্বয়ংক্রিয় শনাক্তকরণও সম্ভব। সম্পূর্ণ টেক্সটের পাশাপাশি টাইমস্ট্যাম্পসহ খণ্ডাংশ ফেরত দেয়। `max_segment_len` (10-29 সেকেন্ড) এবং `merge_chunks` সেগমেন্টগুলো কীভাবে ভাগ হবে তা নিয়ন্ত্রণ করে।

প্যারামিটার

ক্যানোনিকাল নাম অথবা নেটিভ নাম—দুটো একসঙ্গে নয়—পাঠান। ক্যানোনিকাল নামগুলো

নামধরন ডিফল্টঅনুমোদিত বিবরণ
audio_urlআবশ্যক audio
ধরনurl · audio
mp3, mp4, mpeg, mpga, m4a, wav বা webm ফরম্যাটের অডিও ফাইলের দিকে নির্দেশ করা URL হিসেবে সরবরাহ করা ট্রান্সক্রিপশন ইনপুট।
taskঐচ্ছিক
ধরনenum
ডিফল্টtranscribe
transcribetranslate
অডিও প্রসেসিং টাস্ক: transcribe অথবা translate বেছে নিন।
languageঐচ্ছিক
ধরনenum
ডিফল্টen
afamarasazbabebgbnbobrbscacscyda
+83টি আরওdeeleneseteufafifofrglguhahawhehihrhthuhyidisitjajwkakkkmknkolalblnloltlvmgmimkmlmnmrmsmtmynenlnnnoocpaplpsptrorusasdsiskslsnsosqsrsusvswtatetgthtktltrttukuruzviyiyozh
অডিওর ভাষা নির্বাচন; `None` বেছে নিলে স্বয়ংক্রিয় শনাক্তকরণ অনুরোধ করা হয়, তবে এতে ইনফারেন্সের সময় বেশি লাগে। translate টাস্কের ক্ষেত্রে ইংরেজিই সবসময় অনুবাদের লক্ষ্য, তাই এই ভাষা নির্বাচন আউটপুটের ভাষা পরিবর্তন করে না।
chunk_levelঐচ্ছিক
ধরনstring
ডিফল্টsegment
ফেরত দেওয়া খণ্ডগুলোর গ্র্যানুলারিটি।
max_segment_lenঐচ্ছিক
ধরনinteger
ডিফল্ট29
১০ – ২৯
সেগমেন্ট ভাগ হওয়ার আগে অডিও সেগমেন্টের দৈর্ঘ্যের সীমা, সেকেন্ডে পরিমাপ করা।
merge_chunksঐচ্ছিক
ধরনboolean
ডিফল্টtrue
পরপর থাকা খণ্ড একত্র করার নিয়ন্ত্রণ; কেবল তখনই একত্র করার অনুমতি দেয় যখন ফলস্বরূপ সেগমেন্টের দৈর্ঘ্য max_segment_len-এর বেশি নয়।
versionঐচ্ছিক
ধরনstring
ডিফল্ট3
Whisper large ফ্যামিলির মধ্যে সংস্করণ নির্বাচন; এই মডেলগুলোতে অন্য কোনো Whisper ভ্যারিয়েন্ট ব্যবহার করা হয় না।
আবশ্যক ক্যানোনিকাল নাম, এটিও গ্রহণযোগ্য

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
text
stringঅডিও থেকে ট্রান্সক্রাইব করা টেক্সট।
chunks
array of object {timestamp, text}টাইমস্ট্যাম্পসহ অডিও খণ্ড।
languages
array of enum (string)অডিও ভাষা শনাক্তকরণের ফলাফল; অনুমিত ভাষাগুলোর তালিকা হিসেবে ফেরত দেওয়া হয়, যেখানে null ডিফল্ট মান।

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/wizper.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt