Voz.
Da voce a testo on-device: trascrive 10 minuti di audio in 2 s su un iPhone, 4,7x più veloce di Whisper, con timestamp per parola precisi.
Trascrive 10 minuti di audio in 2 s su un iPhone.
Trascrivi un file audio o video con Voz e ottieni tempi di inizio e fine precisi per ogni parola. 10 minuti richiedono 2 s su un iPhone, sul dispositivo, quindi non viene caricato nulla e non si paga al minuto.
Su Apple silicon il modello gira sul Neural Engine, così la trascrizione è fulminea e consuma meno energia. Su un Mac un intero catalogo di podcast, interviste e lezioni scorre in un solo passaggio, e non viene caricato nulla.
I timestamp sono abbastanza precisi da montarci sopra. Gli inizi delle parole cadono entro 83 ms da un allineatore forzato e le fini entro 95 ms, per un montaggio preciso basato sulla trascrizione. Voz è una versione del Parakeet TDT 0.6B v3 di NVIDIA ottimizzata per l'Apple Neural Engine, con un'accuratezza paragonabile a Whisper large-v3-turbo sulla maggior parte dell'audio, e un download di soli 467 MB.
4,7x più veloce di Whisper.
10 minuti di narrazione in 2 s e 30 minuti in 6 s su un iPhone 17 Pro, 7 s su un iPhone 15 Pro. Su un Mac, 4,7x più veloce di whisper.cpp large-v3-turbo sullo stesso audio di podcast, con un tasso di errore per parola del 7,40% su sei set pubblici in inglese dove Whisper ottiene 7,00%.
Tasso di errore per parola sui dataset dell'Open ASR Leaderboard, Voz con il proprio normalizzatore di testo, le cifre di Whisper dalla leaderboard
| Dataset | Voz | Whisper large-v3-turbo |
|---|---|---|
| LibriSpeech test-clean | 2,19% | 2,13% |
| LibriSpeech test-other | 3,86% | 3,70% |
| GigaSpeech | 9,70% | 8,47% |
| SPGISpeech | 3,86% | 2,79% |
| Earnings-22 | 12,97% | 11,07% |
| AMI | 11,84% | 13,87% |
| Average | 7,40% | 7,00% |
Leggi la riga che corrisponde al tuo audio. Il parlato pulito e ravvicinato si attesta intorno al 2-4% (LibriSpeech, SPGISpeech), i podcast e i video web intorno al 10% (GigaSpeech), e le sale riunioni e le telefonate al 12-13% (AMI, Earnings-22), che è dove il modello batte Whisper. Le cifre per lingua, su 10 minuti di parlato letto ciascuna, sono sulla scheda del modello, dal 3,31% dell'italiano al 39,46% del greco. I tempi su iPhone e il confronto con whisper.cpp sono nostre misurazioni e non sono ancora sulla scheda.
Trascrivi qualsiasi file audio o video
Registra un podcast o un video e la trascrizione completa è pronta prima che l'esportazione finisca. Testo ricercabile con un timestamp su ogni parola, in una qualsiasi di 25 lingue, senza lasciare il dispositivo.
Macina un arretrato
Un archivio di interviste, lezioni o registrazioni di riunioni diventa ricercabile in un solo passaggio su un Mac. Cento ore scorrono in 20 minuti, e non viene caricato nulla.
Taglia su una parola
Ogni parola porta un inizio e una fine, così un intervallo selezionato nella trascrizione è un taglio in un editor video. Abbinalo a Clips per gli short e a Title per nominarli.
Ispirazione
Idee da costruire con Voz. Copia un prompt nel tuo coding agent e parti.
Build a podcast player that transcribes every episode and makes it searchable, on the device.
Build a podcast player. When an episode downloads, run Desert Ant's Voz on-device to transcribe it with word timestamps, index the text, and let the user search across a whole feed and tap a result to jump to that moment. No cloud transcription, no per-minute bill. Build it with the Desert Ant SDK. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Install: SwiftPM desert-ant-core. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Build a meeting recorder that hands you a timestamped transcript before you leave the room.
Build a meeting recorder. When recording stops, Desert Ant's Voz transcribes the file in seconds on iPhone or Mac, so the timestamped transcript is ready right away and nothing is uploaded. Build it with the Desert Ant SDK. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Install: SwiftPM desert-ant-core. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Turn voice memos into searchable, editable text notes, offline.
Build a voice-notes app where each memo is transcribed on-device with Desert Ant's Voz into editable, searchable text. Works on a plane, and the audio never leaves the phone. Build it with the Desert Ant SDK. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Install: SwiftPM desert-ant-core. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Generate SRT subtitles for any video file on the Mac.
Build a small Mac tool that takes a video file, transcribes the audio with Desert Ant's Voz (Apple silicon), and writes a correctly timed .srt file. No upload, no API key. Build it with the Desert Ant SDK. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Install: SwiftPM desert-ant-core. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Add captions to a video player that run on the device.
Transcribe the video's audio on-device with Desert Ant's Voz (a fast batch pass on iPhone or Mac), then render a synced caption track. Works offline and for private content that can't go to a cloud service. Build it with the Desert Ant SDK. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Install: SwiftPM desert-ant-core. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Build an interview app for journalists where sources never leave the phone.
Build an interview-recording app that transcribes on-device with Desert Ant's Voz, so a source's audio and words stay on the reporter's phone. Add speaker-friendly formatting and export. Build it with the Desert Ant SDK. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Install: SwiftPM desert-ant-core. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Build a full podcast studio: transcribe, clip, and title on the device.
Build a podcast tool that runs Desert Ant's Voz to transcribe an episode, Clips to pick the best moments as shorts, and Title to name and describe each clip, all on-device with no per-minute or per-token bill. Build it with the Desert Ant SDK. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Clips (Swift). Install and API: https://desertant.com/docs/clips/. Title (Swift). Install and API: https://desertant.com/docs/title/. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Record, clean, transcribe, and clip: a whole creator pipeline, offline.
Build a creator pipeline: Desert Ant's Clear cleans the recording, Voz transcribes it, and Clips pulls the shorts, all on the device so a full episode never touches a server. Build it with the Desert Ant SDK. Clear (Swift, Kotlin, JavaScript / TypeScript). Install and API: https://desertant.com/docs/clear/. Voz (Swift). Install and API: https://desertant.com/docs/voz/. Clips (Swift). Install and API: https://desertant.com/docs/clips/. SDK source: https://github.com/Desert-Ant-Labs/desert-ant-core. Machine-readable catalog of every model and SDK: https://desertant.com/llms.txt.
Cosa fa il modello
- Inizi delle parole entro 83 ms e fini entro 95 ms da un allineatore forzato, in media, con risoluzione di frame di 80 ms.
- 10 minuti di audio in 2 s e 30 minuti in 6 s su un iPhone 17 Pro; 290x rispetto al tempo reale su un M3 Ultra. Le singole clip brevi vanno a 50-62x, perché ogni clip paga per una finestra piena di 15 s.
- Tasso di errore per parola del 7,40% mediato su sei set dell'Open ASR Leaderboard (Whisper large-v3-turbo: 7,00%), 2,83% su mezz'ora di narrazione (Whisper: 2,72%), 11,84% sulle riunioni AMI (Whisper: 13,87%).
- L'intero grafo gira sul Neural Engine senza fallback su CPU o GPU; la memoria di picco non cresce con la durata della registrazione.
- 25 lingue: bulgaro, croato, ceco, danese, olandese, inglese, estone, finlandese, francese, tedesco, greco, ungherese, italiano, lettone, lituano, maltese, polacco, portoghese, rumeno, russo, slovacco, sloveno, spagnolo, svedese e ucraino.
- 467 MB su disco, scaricati su richiesta e tenuti in cache; il primo caricamento dopo un download richiede 20 s una volta sola mentre Core ML si specializza, poi 0,2 s. Scaricalo durante l'onboarding.
- Audio mono a qualsiasi frequenza di campionamento; l'SDK ricampiona e fa il downmix. L'audio più lungo viene tagliato in finestre da 15 s nelle pause e ricucito sulle parole su cui le finestre vicine concordano.
- Costruito sul Parakeet TDT 0.6B v3 di NVIDIA, rilasciato sotto CC BY 4.0. I pesi sono invariati; la conversione, la compressione e il runtime per il Neural Engine sono nostri.
App di esempio
Clipper
Costruito con Voz, Clips, Title
Generate short clips from a video podcast or a long recording, fully on device. A macOS app and a command-line tool over the same core.
Voz transcribes with a time on every word, Clips ranks the best spans, and Title writes a title and description for each.
macOS 26 or later, Apple Silicon
brew tap desert-ant-labs/tap
brew install --cask clipperPer iniziare
Aggiungi riconoscimento vocale alla tua app iOS or macOS in poche righe di codice. Documentazione di Voz.
// Swift Package Manager
.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core.git", from: "3.1.0")
// target dependency
.product(name: "Voz", package: "desert-ant-core")import Voz
let voz = try await Voz()
let result = try await voz.transcribe(url)
result.text // the transcript
result.words.first?.start // 80ms resolution
result.realtimeFactor // seconds of audio per second of wall clockAdd Voz from Desert Ant Labs to this Swift project (iOS, macOS). What it does: da voce a testo on-device sul Neural Engine. 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.git", from: "3.1.0") // target dependency .product(name: "Voz", package: "desert-ant-core") Reference: - Model page: https://desertant.com/models/voz/ - 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.
Specifiche
- Velocità
- 10 minuti di audio in 2 s su un iPhone 17 Pro, 30 minuti in 6 s (7 s su un iPhone 15 Pro); 30 minuti in 5,6 s su un M3 Ultra, 319x rispetto al tempo reale
- Accuratezza
- 7,40% di WER su sei set dell'Open ASR Leaderboard; 2,83% sul formato lungo; errore medio di 83 ms sugli inizi delle parole, 95 ms sulle fini
- Dimensione sul dispositivo
- 467 MB di Core ML compilato, scaricato su richiesta
- Lingue
- 25 lingue europee; accuratezza dal 3,31% (italiano) al 39,46% (greco) su parlato letto
- Modello
- NVIDIA Parakeet TDT 0.6B v3 (CC BY 4.0), convertito in Core ML e compresso da Desert Ant Labs: frontend log-mel, encoder conformer, decoder transducer, tutto sul Neural Engine
- Piattaforme
- iOS, iPadOS, macOS, tvOS, visionOS (Core ML); solo Apple
Voz è solo per Apple: il runtime pilota Core ML direttamente per tenere il grafo sul Neural Engine, e non esiste una build per Android, Linux o web. Voz non sa quale delle sue 25 lingue sta sentendo, e una lingua che non copre produce sciocchezze sicure di sé invece di un errore, quindi abbinalo a Ear.
L'accuratezza varia molto da lingua a lingua, la fine delle parole è la metà più difficile dei timestamp, e 467 MB sono un download consistente durante l'onboarding.
FAQ
Cos'è Voz?
Da voce a testo on-device: trascrive 10 minuti di audio in 2 s su un iPhone, 4,7x più veloce di Whisper, con timestamp per parola precisi.
Voz funziona sul dispositivo?
Sì. Voz funziona sul dispositivo, senza chiamate a un server, quindi i dati restano con l'utente.
Quali piattaforme supporta Voz?
Voz è distribuito come SDK nativo on-device per Swift.
Quanto costa Voz?
Ogni modello è gratuito fino a 100k dispositivi attivi mensili per SDK. Inferenza illimitata per utente. Contattaci per licenze personalizzate.
Quanto è preciso o veloce Voz?
10 minuti di narrazione in 2 s e 30 minuti in 6 s su un iPhone 17 Pro, 7 s su un iPhone 15 Pro. Su un Mac, 4,7x più veloce di whisper.cpp large-v3-turbo sullo stesso audio di podcast, con un tasso di errore per parola del 7,40% su sei set pubblici in inglese dove Whisper ottiene 7,00%.
Voz gira su Android o Windows?
Non ancora. Oggi Voz gira su Apple silicon, dove l'intero modello gira sul Neural Engine. Contiamo di aggiungere Android e Windows nei prossimi mesi. Raccontaci cosa stai costruendo e ti faremo sapere quando saranno disponibili.