Uhm
Detecção de hesitações no dispositivo que marca cada uma (“um”, “uh”, “hmm”) com precisão de 20 ms: uma hora de áudio em 12 s.
Encontre e remova cada hesitação.
Um episódio de uma hora é analisado em 12 s em um iPhone 17 Pro. Um catálogo antigo é um processamento em lote que você roda localmente, não uma fatura de nuvem.
O Uhm chega lá pulando a etapa de transcrição. O jeito habitual de achar um “um” é transcrever o arquivo inteiro e procurar no texto. E a transcrição nem ajudaria: modelos como o Whisper deixam as hesitações de fora da saída, então elas nunca aparecem no texto para serem encontradas.
Em vez disso, o Uhm lê a forma de onda e marca cada hesitação que ouve, para que um editor possa cortá-las ou uma limpeza de um clique enxugue a tomada inteira. Abra um arquivo de áudio ou vídeo e cada hesitação é listada com o seu tempo, então você clica em uma e vai direto até ela.
Em dispositivos Apple roda a build Core ML de 45 MB. A demo no navegador e um backend em Python rodam o mesmo modelo como 51 MB de ONNX, então um editor web e um processamento em lote se comportam de forma idêntica.
10 minutos de áudio em 2 s.
296x o tempo real em um iPhone 17 Pro, 279x em um iPad Pro M4 e 169x em um iPhone 15 Pro, com previsões a cada 20 ms.
Fator de tempo real (duração do áudio sobre o tempo de análise), Core ML fp16, aquecido (interno)
| Dispositivo | Fator de tempo real |
|---|---|
| iPhone 17 Pro | 296x |
| iPad Pro (M4) | 279x |
| iPhone 15 Pro | 169x |
Benchmarks internos. Treinado em inglês; a transferência para espanhol, francês, alemão e holandês é acústica e não foi medida separadamente.
Casos de uso
Limpe o catálogo antigo em uma noite.
Corte todas as hesitações na linha do tempo
Marque cada ocorrência de “um” e “uh” para que um editor, ou uma limpeza de um clique, enxugue a gravação sem rodar antes uma passagem de transcrição.
Uma linha do tempo de hesitações no navegador
Em um editor web, cada hesitação de um arquivo de áudio ou vídeo é listada com um tempo clicável, calculada no cliente, sem upload e sem uma fila de workers por trás.
Não deixe as hesitações chegarem ao texto
Sinalize as disfluências no áudio e mantenha-as fora das palavras que chegam à sua transcrição, para que o texto final soe como o falante pretendia dizer a frase.
Treino de oratória e coaching
Conte quantas vezes um orador recorre a uma hesitação ao longo de uma palestra gravada e mostre a ele o padrão, num app de treino que nunca envia a voz dele para fora.
Inspiração
Ideias para construir com o Uhm. Copie um prompt para o seu agente de código e comece.
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.
O que o modelo faz
- Precisão no nível do quadro: exatidão de 20 ms.
- Detecção acústica: funciona direto na forma de onda, sem transcrição.
- Preset
Bias: precisão, equilibrado ou recall. - Treinado em inglês, transfere para espanhol, francês, alemão e holandês sem retreinamento.
Primeiros passos
Adicione detecção de palavras de preenchimento ao seu app iOS or macOS em poucas linhas de código. Docs do Uhm.
// 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: detecção de palavras de preenchimento no dispositivo para áudio e vídeo. 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.
Especificações
- Resolução
- Resolução de 20 ms
- Modelo
- Acústica, sem transcrição
- Tamanho no dispositivo
- 45 MB Core ML (Apple); 51 MB ONNX (navegador, servidor)
- Idiomas
- Inglês; transfere para espanhol, francês, alemão e holandês
- Velocidade
- 296x o tempo real em um iPhone 17 Pro
O Uhm foi treinado em inglês, e os quatro idiomas para os quais ele transfere não foram medidos contra um gabarito por idioma. O Uhm funciona melhor em áudio de podcast, de reunião e de pessoa falando para a câmera.
Música de fundo alta, risadas ou várias pessoas falando por cima umas das outras reduzem a acurácia. Confie mais na resposta “é hesitação ou não” do que no rótulo: se uma hesitação foi um “uh”, um “um” ou um “hmm” é a metade menos confiável do resultado.
FAQ
O que é o Uhm?
Detecção de hesitações no dispositivo que marca cada uma (“um”, “uh”, “hmm”) com precisão de 20 ms: uma hora de áudio em 12 s.
O Uhm roda no dispositivo?
Sim. O Uhm roda no dispositivo, sem chamada a servidor, então os dados ficam com o usuário.
Quais plataformas o Uhm suporta?
O Uhm é distribuído como um SDK nativo no dispositivo para Swift.
Quanto custa o Uhm?
Cada modelo é gratuito para até 100 mil dispositivos ativos mensais. A inferência é ilimitada. Fale conosco para licenças personalizadas.
Qual a precisão e a velocidade do Uhm?
296x o tempo real em um iPhone 17 Pro, 279x em um iPad Pro M4 e 169x em um iPhone 15 Pro, com previsões a cada 20 ms.