Op den Inhalt sprangen

Wizper (Whisper v3)

Integréieren

Modell-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"

Bis zu 1,998 $ pro Laf no der tatsächlecher Notzung verrechent, de Rescht gëtt rembourséiert Op dëser Säit ausféieren

API-Schlëssel kréien
OpenAI Sprooch zu Text #transcription#speech

Whisper v3 Riedtranskriptioun an Iwwersetzung op Englesch mat segmentéierten Zäitstempelen

OpenAI · 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

Transkriptiouns-Input als URL op eng Audiodatei am Format mp3, mp4, mpeg, mpga, m4a, wav oder webm.

Erweidert task · language · chunk_level · version · max_segment_len · merge_chunks
task Standard transcribe

Audioveraarbechtungsaufgab: wielt transcribe oder translate.

Standard en

Auswiel vun der Audiosprooch, woubäi `None` automatesch Detektioun ufreet, awer méi laang Inferenzzäit kascht. Fir d'Aufgab translate ass Englesch ëmmer d'Zilsprooch; dës Sproochauswiel ännert dofir d'Output-Sprooch net.

Standard segment

Granularitéit vun den zeréckginnene Chunks.

Standard 3

Versiounsauswiel bannent der Whisper large-Famill; dës Modeller benotze keng aner Whisper-Variant.

Standard 29

Limit vun der Längt vun engem Sproochsegment a Sekonnen, no där et opgespléckt gëtt.

POST /run/wizper?wait=20 Präis → 1,998 $
# 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"

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 Wizper (Whisper v3)

Transkribéiert eng Audiodatei vun enger URL (mp3, mp4, mpeg, mpga, m4a, wav oder webm), oder iwwersetzt se mat `task` op Englesch. D'Feld `language` ënnerstëtzt 99 Wäerter, an automatesch Erkennung ass méiglech. Zeréckgi ginn de kompletten Text a segmentéiert Zäitstempelen. `max_segment_len` (10-29 Sekonnen) an `merge_chunks` kontrolléieren d'Opdeelung vun de Segmenter.

Parameteren

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

NummTyp StandardErlaabt Beschreiwung
audio_urlobligatoresch audio
Typurl · audio
Transkriptiouns-Input als URL op eng Audiodatei am Format mp3, mp4, mpeg, mpga, m4a, wav oder webm.
taskoptional
Typenum
Standardtranscribe
transcribetranslate
Audioveraarbechtungsaufgab: wielt transcribe oder translate.
languageoptional
Typenum
Standarden
afamarasazbabebgbnbobrbscacscyda
+83 méideeleneseteufafifofrglguhahawhehihrhthuhyidisitjajwkakkkmknkolalblnloltlvmgmimkmlmnmrmsmtmynenlnnnoocpaplpsptrorusasdsiskslsnsosqsrsusvswtatetgthtktltrttukuruzviyiyozh
Auswiel vun der Audiosprooch, woubäi `None` automatesch Detektioun ufreet, awer méi laang Inferenzzäit kascht. Fir d'Aufgab translate ass Englesch ëmmer d'Zilsprooch; dës Sproochauswiel ännert dofir d'Output-Sprooch net.
chunk_leveloptional
Typstring
Standardsegment
Granularitéit vun den zeréckginnene Chunks.
max_segment_lenoptional
Typinteger
Standard29
10 – 29
Limit vun der Längt vun engem Sproochsegment a Sekonnen, no där et opgespléckt gëtt.
merge_chunksoptional
Typboolean
Standardtrue
Kontroll vum Zesummeleeë konsekutive Chunks; zesummegeluecht gëtt nëmmen, wann d'Dauer vum resultéierende Segment net méi grouss wéi max_segment_len ass.
versionoptional
Typstring
Standard3
Versiounsauswiel bannent der Whisper large-Famill; dës Modeller benotze keng aner Whisper-Variant.
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": "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"
  }
}
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
stringAus dem Audio transkribéierten Text.
chunks
array of object {timestamp, text}Audio-Chunks mat Zäitstempelen.
languages
array of enum (string)Resultater vun der Sproocherkennung vum Audio, zeréckginn als Lëscht vun den ermëttelte Sproochen, mat null als Standardwäert.

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