设备端音频模型

设备端语音小模型：录音棚音质、删除语气词、判定语种、区分说话人。全程不上传。

每个音频模型都运行在手机里已有的芯片上，因此一段五分钟的录音几秒钟就能处理完，音频从不离开设备。没有按分钟的账单，不上传，也不排队。

可用模型

设备端语音增强，让你的录音获得播客录音棚那种温暖、近距离拾音的声音，无需上传。

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。

设备端逐词时间戳，适配任意转写器，误差减半，可精准剪辑、打轴和逐词高亮，模型仅 0.7 MB。

设备端片段挑选：根据转写文本，把长录音变成按精彩程度排序的短片和高光，运行在 iPhone 或 Mac 上。

设备端口语语种识别，在转写开始前，凭一小段音频判定所说语言，覆盖 99 种语言。

设备端语音转文字：在 iPhone 上 2 秒转写 10 分钟音频，比 Whisper 快 4.7 倍，逐词时间戳精准。

设备端说话人标注，把录音切成按人区分的发言段，附人脸框和时间戳，拿来即可剪辑或配字幕。