Uhm: detección de muletillas en el dispositivo para audio y vídeo
Detección de muletillas en el dispositivo que encuentra «eh», «em», «mmm» y otras muletillas directamente en la forma de onda, con una predicción cada 20 milisegundos.
Uhm es un clasificador con precisión de trama que encuentra muletillas directamente en el audio, una predicción cada 20 milisegundos. Lee la forma de onda, así que no hace falta una transcripción previa, que es el coste habitual de encontrar disfluencias.
Se entrenó en inglés y se transfiere de forma acústica al español, francés, alemán y neerlandés sin reentrenamiento. Una transcripción ni siquiera ayudaría: modelos como Whisper dejan las muletillas fuera de su salida, así que los «eh» nunca aparecen en el texto para encontrarlos o cortarlos. Uhm analiza el audio y los detecta en el dispositivo, sin subidas ni coste por minuto.
Demo
Rendimiento
Analiza audio a 296× tiempo real, en el dispositivo, con una predicción cada 20 ms.
Factor de tiempo real (duración del audio dividida entre el tiempo de análisis), Core ML fp16, en caliente (interno)
| Dispositivo | Factor de tiempo real |
|---|---|
| iPhone 17 Pro | ~296x |
| iPad Pro (M4) | ~279x |
| iPhone 15 Pro | ~169x |
Benchmarks internos. Entrenado en inglés; con transferencia acústica al español, francés, alemán y neerlandés.
Casos de uso
Edición de pódcast y vídeo
Localiza cada muletilla para cortarla o ajustar el ritmo, sin ejecutar antes una pasada de transcripción.
Limpieza de transcripciones
Marca las disfluencias de forma acústica para que las transcripciones posteriores se lean limpias.
Sin coste por minuto
Detecta muletillas en el dispositivo en lugar de pegar WhisperX con expresiones regulares o pagar por minuto un servicio de voz a texto en la nube.
Feedback al hablar
Mide la frecuencia de muletillas en el habla grabada para herramientas de práctica y coaching.
Qué hace
- Precisión de trama: una predicción cada 20 ms.
- Detección acústica: funciona directamente sobre la forma de onda, sin necesidad de transcripción.
- Preajuste
Bias: precisión, equilibrado o recall. - Entrenado en inglés, se transfiere al español, francés, alemán y neerlandés sin reentrenamiento.
Plataformas e instalación
// 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) }
Especificaciones
- Resolución
- Una predicción cada 20 ms
- Enfoque
- Acústico, sin transcripción
- Idiomas
- Inglés, con transferencia a ES, FR, DE, NL
- Privacidad
- Se ejecuta en el dispositivo; el audio nunca sale de él
Preguntas frecuentes
¿Qué es Uhm?
Detección de muletillas en el dispositivo que encuentra «eh», «em», «mmm» y otras muletillas directamente en la forma de onda, con una predicción cada 20 milisegundos.
¿Uhm se ejecuta en el dispositivo?
Sí. Uhm se ejecuta por completo en el dispositivo: la inferencia ocurre localmente sin ninguna llamada a servidor, así que los datos nunca salen del dispositivo.
¿Qué plataformas admite Uhm?
Uhm se distribuye como SDK nativos en el dispositivo para Swift.
¿Cuánto cuesta Uhm?
Todos los modelos son gratis hasta 100 000 dispositivos activos mensuales por SDK. Inferencia ilimitada por usuario. Contáctanos para licencias personalizadas.
¿Qué precisión o velocidad tiene Uhm?
Analiza audio a 296× tiempo real, en el dispositivo, con una predicción cada 20 ms.