Uhm: Erkennung von Füllwörtern auf dem Gerät für Audio und Video
Füllwort-Erkennung auf dem Gerät, die „äh“, „ähm“, „hmm“ und andere Füllwörter direkt aus der Wellenform findet, mit einer Vorhersage alle 20 Millisekunden.
Uhm ist ein frame-genauer Klassifikator, der Füllwörter direkt im Audio findet, eine Vorhersage alle 20 Millisekunden. Es liest die Wellenform, sodass kein Transkript vorab nötig ist, das sonst der übliche Aufwand beim Aufspüren von Disfluenzen wäre.
Es wurde auf Englisch trainiert und überträgt sich akustisch auf Spanisch, Französisch, Deutsch und Niederländisch, ohne erneutes Training. Ein Transkript würde nicht einmal helfen: Modelle wie Whisper lassen Füllwörter in ihrer Ausgabe weg, sodass die Ähs im Text gar nicht erst zum Finden oder Schneiden auftauchen. Uhm analysiert das Audio und erkennt sie auf dem Gerät, ohne Upload und ohne Kosten pro Minute.
Demo
Leistung
Analysiert Audio mit 296-facher Echtzeit, auf dem Gerät, mit einer Vorhersage alle 20 ms.
Echtzeitfaktor (Audiodauer geteilt durch Analysezeit), fp16 Core ML, warm (intern)
| Gerät | Echtzeitfaktor |
|---|---|
| iPhone 17 Pro | ~296x |
| iPad Pro (M4) | ~279x |
| iPhone 15 Pro | ~169x |
Interne Benchmarks. Auf Englisch trainiert; überträgt sich akustisch auf Spanisch, Französisch, Deutsch und Niederländisch.
Anwendungsfälle
Podcast- und Videobearbeitung
Finden Sie jedes Füllwort zum Schneiden oder Straffen, ohne vorher einen Transkriptionsdurchlauf auszuführen.
Transkriptbereinigung
Markieren Sie Disfluenzen akustisch, damit nachgelagerte Transkripte sauber lesbar sind.
Keine Kosten pro Minute
Erkennen Sie Füllwörter auf dem Gerät, statt WhisperX plus Regex zusammenzukleben oder Cloud-Spracherkennung pro Minute zu bezahlen.
Feedback zum Sprechen
Messen Sie die Häufigkeit von Füllwörtern in aufgezeichneter Sprache für Übungs- und Coaching-Tools.
Was es macht
- Frame-genau: eine Vorhersage alle 20 ms.
- Akustische Erkennung: arbeitet direkt auf der Wellenform, kein Transkript nötig.
Bias-Voreinstellung: Precision, Balanced oder Recall.- Auf Englisch trainiert, überträgt sich auf Spanisch, Französisch, Deutsch und Niederländisch ohne erneutes Training.
Plattformen und Installation
// Swift Package Manager .package(url: "https://github.com/Desert-Ant-Labs/uhm-swift", from: "0.1.0")
import Uhm
let result = try await Uhm().analyze(audioURL: url)
for f in result.fillers { print(f.start, f.end, f.type ?? .other) }
Technische Daten
- Auflösung
- Eine Vorhersage alle 20 ms
- Ansatz
- Akustisch, ohne Transkript
- Sprachen
- Englisch, überträgt sich auf ES, FR, DE, NL
- Datenschutz
- Läuft auf dem Gerät; Audio verlässt das Gerät nie
FAQ
Was ist Uhm?
Füllwort-Erkennung auf dem Gerät, die „äh“, „ähm“, „hmm“ und andere Füllwörter direkt aus der Wellenform findet, mit einer Vorhersage alle 20 Millisekunden.
Läuft Uhm auf dem Gerät?
Ja. Uhm läuft vollständig auf dem Gerät: Die Inferenz erfolgt lokal ohne Serveraufruf, sodass keine Daten das Gerät verlassen.
Welche Plattformen unterstützt Uhm?
Uhm wird als native On-Device-SDKs für Swift ausgeliefert.
Was kostet Uhm?
Jedes Modell ist für bis zu 100k monatlich aktive Geräte pro SDK kostenlos. Unbegrenzte Inferenz pro Nutzer. Kontaktieren Sie uns für individuelle Lizenzen.
Wie genau oder schnell ist Uhm?
Analysiert Audio mit 296-facher Echtzeit, auf dem Gerät, mit einer Vorhersage alle 20 ms.