フィラーをすべて見つけて、取り除く。
1 時間のエピソードは、iPhone 17 Pro で 12 秒で解析されます。過去の全アーカイブも、クラウドの請求ではなく、ローカルで回すバッチ処理になります。
Uhm は文字起こしの工程を省くことで、それを実現します。「um」を見つける通常のやり方は、ファイル全体を文字起こししてテキストを検索することです。しかし、そもそも文字起こしは役に立ちません。Whisper のようなモデルはフィラーを出力から除くため、「um」はテキストに現れず、探しようがないのです。
Uhm は代わりに波形を読み取り、聞き取ったフィラーすべてに印を付けます。編集者がそれらを切ることも、ワンクリックのクリーンアップで録音全体を詰めることもできます。音声や動画のファイルを開くと、すべてのフィラーがその時刻とともに一覧になり、クリックすればその位置に飛べます。
Apple では 45MB の Core ML ビルドが動きます。ブラウザのデモと Python のバックエンドは、同じモデルを 51MB の ONNX として動かすので、Web エディターとバッチ処理はまったく同じ挙動になります。
10 分の音声を 2 秒で。
iPhone 17 Pro で実時間の 296 倍、iPad Pro M4 で 279 倍、iPhone 15 Pro で 169 倍。予測は 20 ms ごとです。
実時間比（音声の長さ ÷ 解析時間）、fp16 Core ML、ウォーム状態（社内計測）
| デバイス | 実時間比 |
|---|---|
| iPhone 17 Pro | 296x |
| iPad Pro (M4) | 279x |
| iPhone 15 Pro | 169x |
社内ベンチマーク。学習は英語で行っており、スペイン語、フランス語、ドイツ語、オランダ語への転移は音響的なもので、個別には計測していません。
ユースケース
過去のアーカイブを一晩で整える.
タイムライン上のフィラーを 1 つ残らず切る
「um」「uh」のすべてに印を付けます。先に文字起こしを回さなくても、編集者の手でも、ワンクリックのクリーンアップでも、録音を詰められます。
ブラウザで見るフィラーのタイムライン
Web エディターでは、音声や動画のファイル内のフィラーがすべて、クリックでシークできる時刻とともに一覧になります。処理はクライアント側で行われ、アップロードも背後のワーカーキューもありません。
「um」が文字になる前に落とす
音声中の言いよどみを検出し、文字起こしに渡す言葉から取り除きます。仕上がったテキストは、話し手が言いたかったとおりに読めます。
話し方の練習とコーチング
録音した話の中でフィラーが出た回数を数え、その傾向を本人に見せます。声をどこにもアップロードしない練習アプリに組み込めます。
インスピレーション
Uhm で作るためのアイデア。プロンプトをコーディングエージェントにコピーして始めましょう。
Add a 'remove ums' button to a podcast or video editor.
Build a speaking coach that counts and marks your filler words.
Show a filler-word timeline for any recording.
A clean, filler-free transcript from a raw, noisy recording.
Trim every filler from a talking-head take automatically.
モデルができること
- フレーム単位で正確：20 ms の精度。
- 音響的な検出：波形上で直接動作し、文字起こしは不要。
Biasプリセット：precision、balanced、recall。- 英語で学習し、再学習なしでスペイン語、フランス語、ドイツ語、オランダ語へ転移。
はじめに
フィラー検出 を、数行のコードで iOS or macOS アプリに追加。 Uhm のドキュメント.
// Swift Package Manager
.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core", from: "3.5.0")
// target dependency
.product(name: "Uhm", package: "desert-ant-core")import Uhm
let result = try await Uhm().analyze(audioURL: url)
for f in result.fillers { print(f.start, f.end, f.type ?? .other) }Add Uhm from Desert Ant Labs to this Swift project (iOS, macOS). What it does: Uhm：音声・動画向けのオンデバイスのフィラー検出. SDK: Swift (iOS, macOS) Repo: https://github.com/Desert-Ant-Labs/desert-ant-core#readme // Swift Package Manager .package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core", from: "3.5.0") // target dependency .product(name: "Uhm", package: "desert-ant-core") Reference: - Model page: https://desertant.com/models/uhm/ - Full catalog and other models: https://desertant.com/llms.txt Add the SDK, then follow its README for the exact API and current version. Do not invent API names or method signatures; confirm them against the README.
仕様
- 分解能
- 20 ms のフレーム分解能
- モデル
- 音響ベース、文字起こし不要
- オンデバイスサイズ
- 45MB Core ML（Apple）、51MB ONNX（ブラウザ、サーバー）
- 言語
- 英語。スペイン語、フランス語、ドイツ語、オランダ語へ転移
- 速度
- iPhone 17 Pro で実時間の 296 倍
Uhm は英語で学習しており、転移する 4 言語については言語ごとの正解データでは計測していません。Uhm はポッドキャスト、会議、トーキングヘッドの音声で最も力を発揮します。強い背景音楽、笑い声、複数人が同時に話す状況では精度が下がります。ラベルよりも「フィラーかどうか」の答えを信頼してください。あるフィラーが「uh」だったか「um」だったか「hmm」だったかは、結果のなかで信頼性の低い方です。
FAQ
Uhm とは？
オンデバイスのフィラー検出。すべての um、uh、hmm を 20 ms 以内で印付け。1 時間の音声を 12 秒で。
Uhm はオンデバイスで動作しますか？
はい。Uhm はデバイス上で動作し、サーバーへの通信は発生しません。データはユーザーの手元に残ります。
Uhm はどのプラットフォームに対応していますか？
Uhm は Swift 向けのネイティブなオンデバイス SDK として提供されます。
Uhm の料金はいくらですか？
各モデルは月間アクティブデバイス 100k 台まで無料です。推論は無制限です。 カスタムライセンスについては、お問い合わせください。
Uhm の精度や速度はどれくらいですか？
iPhone 17 Pro で実時間の 296 倍、iPad Pro M4 で 279 倍、iPhone 15 Pro で 169 倍。予測は 20 ms ごとです。