Op den Inhalt sprangen

ElevenLabs Speech to Text

Integréieren

Modell-ID elevenlabs/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.com/v1/run/elevenlabs/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"
  }'

# 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"

Dateie wéi am Beispill: 0,03 $ 30 API-Kreditter Är Dateie gi virun der Ausféierung gemooss Op dëser Säit ausféieren

API-Schlëssel kréien
ElevenLabs Sprooch zu Text #speech

Allgemeng Sproochtranskriptioun mat Spriecherdiariséierung, Audioevenement-Tags an Detailer op Wuert-Niveau

ElevenLabs · Text

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

•obligatoresch audio_url
Fichier erofzéien, oder

URL, déi op den Audio fir d'Transkriptioun weist.

Erweidert language_code · tag_audio_events · diarize

Code, deen d'Sprooch vum Audio identifizéiert.

POST /run/elevenlabs/speech-to-text?wait=20 Präis → 0,03 $
# 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/elevenlabs/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"
  }'

# 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"

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer ElevenLabs Speech to Text

Transkribéiert eng Audiodatei an Text. Setzt `language_code` oder loosst et fir d’Erkennung eidel. `diarize` markéiert, wien schwätzt, an `tag_audio_events` kennzeechent Kläng wéi Laachen; béid sinn standardméisseg aktiv. D’Ausgab enthält de kompletten Text, d’Sprooch an hir Erkennungssécherheet souwéi Detailer op Wuert-Niveau.

Parameteren

Schéck entweder den kanoneschen Numm oder den natierlechen Numm, net béid. Kanonesch Nimm

NummTyp StandardErlaabt Beschreiwung
audio_urlobligatoresch audio
Typurl · audio
URL, déi op den Audio fir d'Transkriptioun weist.
language_codeoptional
Typstring | null
Code, deen d'Sprooch vum Audio identifizéiert.
tag_audio_eventsoptional
Typboolean
Standardtrue
Steiert d'Markéiere vun Audioevenementer, wéi Laachen oder Applaus.
diarizeoptional
Typboolean
Standardtrue
Steiert, ob d'Identitéite vun de Spriecher annotéiert ginn.
obligatoresch Kanoneschen Numm, och akzeptéiert

Fichierparameter akzeptéieren eng ëffentlech https:// URL, eng data: URI bis zu 10 MB oder de file_url vun engem Upload. Fichieren

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "elevenlabs/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": 30,
    "usd": "0.03",
    "charged": 30,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "text": "string",
    "language_code": "string",
    "language_probability": 1.0,
    "words": [
      {
        "text": "string",
        "start": 1.0,
        "end": 1.0,
        "type": "string",
        "speaker_id": "string"
      }
    ]
  },
  "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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
text
stringKomplette Text vun der Transkriptioun.
language_code
stringSproochecode, deen duerch Erkennung oder explizit Spezifizéierung kritt gouf.
language_probability
numberVertrauenswäert fir déi erkannt Sprooch.
words
array of object {text, start, end, type, speaker_id}Transkriptiounsinformatioun fir eenzel Wierder.

Méi Modeller: Sprooch zu Text

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/elevenlabs/speech-to-text.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt