Uhm
Detectie van vulwoorden op het apparaat die elke eh, uhm en hmm tot op 20 ms markeert: een uur audio in 12s.
Vind en verwijder elk vulwoord.
Een aflevering van een uur wordt in 12s geanalyseerd op een iPhone 17 Pro. Een backcatalogus is een batchklus die je lokaal draait, geen cloudfactuur.
Uhm doet dat door de transcriptiestap over te slaan. De gebruikelijke manier om een “uhm” te vinden is het hele bestand transcriberen en de tekst doorzoeken. Een transcript zou toch niet helpen: modellen als Whisper laten vulwoorden weg uit hun output, dus de uhm's staan nergens in de tekst om te vinden.
Uhm leest in plaats daarvan de golfvorm en markeert elk vulwoord dat het hoort, zodat een editor ze kan wegknippen of een opschoning met één klik de hele take strakker maakt. Open een audio- of videobestand en elk vulwoord staat op een rij met zijn tijd, dus je klikt er een aan en landt erop.
Apple draait de Core ML-build van 45 MB. De browserdemo en een Python-backend draaien hetzelfde model als 51 MB ONNX, zodat een web-editor en een batchklus zich identiek gedragen.
10 minuten audio in 2s.
296x realtime op een iPhone 17 Pro, 279x op een iPad Pro M4 en 169x op een iPhone 15 Pro, met een voorspelling om de 20 ms.
Realtime-factor (audioduur gedeeld door analysetijd), fp16 Core ML, warm (intern)
| Apparaat | Realtime-factor |
|---|---|
| iPhone 17 Pro | 296x |
| iPad Pro (M4) | 279x |
| iPhone 15 Pro | 169x |
Interne benchmarks. Getraind op Engels; de overdracht naar Spaans, Frans, Duits en Nederlands is akoestisch en is niet apart gemeten.
Toepassingen
Een backcatalogus in één nacht opschonen.
Alle vulwoorden op de tijdlijn wegknippen
Markeer elke “eh” en “uhm”, zodat een editor, of een opschoning met één klik, een opname strakker maakt zonder eerst een transcriptie te draaien.
Een tijdlijn met vulwoorden in de browser
In een web-editor staat elk vulwoord in een audio- of videobestand op een rij met een klik-naar-tijd, client-side berekend, zonder upload en zonder wachtrij van workers erachter.
De eh's eruit filteren voordat ze de tekst halen
Signaleer haperingen in de audio en laat ze weg uit de woorden die in je transcript belanden, zodat de uiteindelijke tekst leest zoals de spreker het bedoelde.
Spreekoefening en coaching
Tel hoe vaak een spreker in een opgenomen praatje naar een vulwoord grijpt en laat het patroon zien, in een oefenapp die zijn stem nooit uploadt.
Inspiratie
Ideeën om te bouwen met Uhm. Kopieer een prompt naar je coding-agent en ga.
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.
Wat het model doet
- Frame-precies: nauwkeurig tot op 20 ms.
- Akoestische detectie: werkt rechtstreeks op de golfvorm, geen transcript nodig.
Bias-preset: precision, balanced of recall.- Getraind op Engels, werkt zonder hertraining ook op Spaans, Frans, Duits en Nederlands.
Aan de slag
Voeg detectie van vulwoorden toe aan je iOS or macOS-app in een paar regels code. Uhm docs.
// 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: on-device detectie van vulwoorden voor audio en video. 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.
Specs
- Resolutie
- Frameresolutie van 20 ms
- Model
- Akoestisch, zonder transcript
- Grootte op het apparaat
- 45 MB Core ML (Apple); 51 MB ONNX (browser, server)
- Talen
- Engels; draagt over naar Spaans, Frans, Duits en Nederlands
- Snelheid
- 296x realtime op een iPhone 17 Pro
Uhm is getraind op Engels, en de vier talen waarnaar het overdraagt zijn niet per taal tegen een gouden standaard gemeten. Uhm werkt het best op podcasts, vergaderingen en talking-head-audio.
Veel achtergrondmuziek, gelach of meerdere mensen die door elkaar praten kosten nauwkeurigheid. Vertrouw meer op het antwoord “vulwoord of niet” dan op het label: of een vulwoord een “eh”, een “uhm” of een “hmm” was, is de minst betrouwbare helft van het resultaat.
FAQ
Wat is Uhm?
Detectie van vulwoorden op het apparaat die elke eh, uhm en hmm tot op 20 ms markeert: een uur audio in 12s.
Draait Uhm op het apparaat?
Ja. Uhm draait op het apparaat, zonder serveraanroep, dus de data blijft bij de gebruiker.
Welke platforms ondersteunt Uhm?
Uhm wordt geleverd als een native on-device SDK voor Swift.
Hoeveel kost Uhm?
Elk model is gratis voor maximaal 100k maandelijks actieve apparaten. Inference is onbeperkt. Neem contact op voor aangepaste licenties.
Hoe nauwkeurig of snel is Uhm?
296x realtime op een iPhone 17 Pro, 279x op een iPad Pro M4 en 169x op een iPhone 15 Pro, met een voorspelling om de 20 ms.