找出并删除每个语气词。
在 iPhone 17 Pro 上，一集一小时的节目约 12 秒就分析完。整个往期节目库因此是一次在本地跑的批处理，而不是一张云服务账单。
Uhm 能这么快，是因为跳过了转写这一步。找「um」的常规做法是把整个文件转写出来再在文本里搜索，可转写根本帮不上忙：像 Whisper 这样的模型会把语气词从输出里省掉，那些「um」压根不会出现在文本里供人查找。
Uhm 改为直接读波形，把听到的每一个语气词都标出来，剪辑师可以逐个删掉，一键清理也能把整条素材收紧。丢进一个音频或视频文件，拿回一份点一下就能跳过去的清单。
Apple 平台跑的是 45 MB 的 Core ML 版本。浏览器演示和 Python 后端跑的是同一个模型的 51 MB ONNX 版本，因此网页剪辑器和批处理任务的表现完全一致。
10 分钟音频，2 秒处理完。
在 iPhone 17 Pro 上 296 倍实时，iPad Pro M4 上 279 倍，iPhone 15 Pro 上 169 倍，每 20 ms 给出一次预测。
实时倍率（音频时长除以分析时间），fp16 Core ML，热启动（内部数据）
| 设备 | 实时倍率 |
|---|---|
| iPhone 17 Pro | 296x |
| iPad Pro (M4) | 279x |
| iPhone 15 Pro | 169x |
内部基准测试。在英语上训练；向西班牙语、法语、德语和荷兰语的迁移是声学层面的，没有单独测量过。
应用场景
一夜之间清完往期节目.
把时间线上每一个语气词都剪掉
每一个「um」和「uh」都会被标出来，剪辑师手动处理也好，一键清理也好，都不必先跑一遍转写就能把录音收紧。
浏览器里的语气词时间线
把一个音频或视频文件拖进网页剪辑器，就能拿到一份列出每个语气词、点一下即可跳转的清单。计算在客户端完成，既不上传，背后也不用排一条任务队列。
在写进文字之前就拿掉「um」
在音频里标出语流不畅的地方，不让它们混进转写的词里，最终的文本读起来才是说话人本来想说的那句话。
口语练习与辅导
统计一次演讲录音里说话人用了多少次语气词，把这个规律直接摆给说话人自己看。这样一款练习应用，从不上传用户的声音。
灵感
用 Uhm 构建的点子。把提示词复制到你的编码 agent 里就能开始。
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.
模型能做什么
- 帧级精度：精确到 20 毫秒。
- 声学检测：直接作用于波形，无需转写。
Bias预设：精确、平衡或召回。- 在英语上训练，无需重新训练即可迁移到西班牙语、法语、德语和荷兰语。
快速上手
只需几行代码，即可为你的 iOS or macOS 应用加上 语气词检测。 Uhm 文档.
// 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：面向音频和视频的设备端语气词检测. 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.
规格
- 分辨率
- 20 毫秒帧分辨率
- 模型
- 声学检测，无需转写
- 设备端体积
- 45 MB Core ML（Apple）；51 MB ONNX（浏览器、服务器）
- 语言
- 英语；可迁移到西班牙语、法语、德语和荷兰语
- 速度
- 在 iPhone 17 Pro 上 296 倍实时
Uhm 是在英语上训练的，它能迁移到的另外四种语言，还没有用各自语言的标准答案测量过。Uhm 最擅长播客、会议和出镜访谈类音频。背景音乐很重、有笑声，或者几个人抢着说话时，准确率会下降。相比标成了哪一种，更值得信任的是「是不是语气词」这个判断：一个语气词到底是「uh」「um」还是「hmm」，是结果里更不可靠的那一半。
常见问题
Uhm 是什么？
设备端语气词检测，以 20 毫秒精度标出每一个「嗯」「呃」：一小时音频十二秒处理完。
Uhm 在设备上运行吗？
是的。Uhm 在设备上运行，不调用任何服务器，因此数据始终留在用户手中。
Uhm 支持哪些平台？
Uhm 以面向 Swift 的原生设备端 SDK 形式提供。
Uhm 的价格是多少？
每个模型免费支持最多 10 万台月活跃设备。推理次数不限。 如需定制授权，请联系我们。
Uhm 的准确度和速度如何？
在 iPhone 17 Pro 上 296 倍实时，iPad Pro M4 上 279 倍，iPhone 15 Pro 上 169 倍，每 20 ms 给出一次预测。