Desert Ant Labs

Uhm.

语气词检测可用

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。

开始使用 文档 模型卡

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。

296x
实时倍率
iPhone 17 Pro
20ms
帧分辨率
45MB
设备端
Core ML fp16；浏览器和服务器为 51 MB ONNX

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 Pro296x
iPad Pro (M4)279x
iPhone 15 Pro169x

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。

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。

Uhm

Add a 'remove ums' button to a podcast or video editor.

Uhm

Build a speaking coach that counts and marks your filler words.

Uhm

Show a filler-word timeline for any recording.

ClearVozUhm

A clean, filler-free transcript from a raw, noisy recording.

Uhm

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.

iOS, macOS
安装
// Swift Package Manager
.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core", from: "3.1.0")
// target dependency
.product(name: "Uhm", package: "desert-ant-core")
示例 - Swift
import Uhm

let result = try await Uhm().analyze(audioURL: url)
for f in result.fillers { print(f.start, f.end, f.type ?? .other) }
用提示词构建
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: "3.1.0")
// 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.
GitHub 上的 SDK
Android即将推出
Web, Node.js即将推出

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？

每个模型的每个 SDK 均可免费支持最多 10 万台月活跃设备。每位用户调用模型的次数不设上限。 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。

资源