/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
12 мая 2026

uhm

Классификация аудиоАудио → label3 профессии

Uhm — компактная модель для локального обнаружения слов-паразитов в аудио с временной точностью 20 мс.

5 235скачиваний за 30 дней17лайковвеса обновлены3 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Uhm — модель Desert Ant Labs для покадрового обнаружения слов-паразитов «uh», «um» и «hmm» в аудио. Она принимает монофонический звук с частотой 16 кГц блоками до 30 секунд и выдаёт вероятности шести классов с шагом 20 мс: «not_filler», «uh», «um», «hmm», «and» и «other». Модель основана на DistilHuBERT и дообучена для обнаружения слов-паразитов; для работы ей не требуется распознавание речи.

Модель предназначена для локального анализа записей подкастов, встреч и видео с говорящими. Опубликованы варианты Core ML, TFLite и ONNX для использования на iOS, macOS и других платформах через соответствующие SDK. Обучение проводилось на английском языке; для испанского, французского, немецкого и нидерландского заявлен акустический перенос, но качество на эталонных данных этих языков не измерялось.

Качество снижается при сильной фоновой музыке, смехе и перекрывающейся речи нескольких участников. Различение конкретных типов слов-паразитов менее надёжно, чем классификация «слово-паразит / не слово-паразит». В README указаны открытые лицензии базовых весов Apache 2.0 и публичных обучающих аудиоданных CC BY 4.0; лицензия самой модели в метаданных обозначена как other, поэтому условия её использования следует проверять отдельно.

Сценарии применения

  • поиск слов «uh», «um» и «hmm» в записях подкастов
  • создание временной шкалы слов-паразитов в аудио и видео
  • очистка устной речи от слов-паразитов при монтаже
  • анализ записей встреч без предварительного распознавания речи

Ограничения

Обучена на английском; качество для испанского, французского, немецкого и нидерландского не оценено на языковых эталонных данных. Сильная музыка, смех и речь нескольких участников ухудшают качество, а метки конкретных типов слов-паразитов менее надёжны, чем разделение на слово-паразит и обычную речь.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Uhm

Find and remove every filler word.

On-device filler-word detection: frame-precise "uh"/"um"/"hmm" spans.

Find every "uh", "um" and "hmm" in an audio file, down to 20ms. Uhm runs on device, does not require ASR, and is trained on English with acoustic transfer to Spanish, French, German, and Dutch.

Try it

PlatformsiOS, macOS, tvOS, visionOS
Languages5
Weightsv1.1.0

Install

Swift (requirements)

.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core.git", from: "3.6.0")

Then add the Uhm product to your target.

Files

FileFormatSizeUse
uhm.mlmodelc/Core ML fp16 (compiled)45MBiOS / macOS on-device
uhm.tfliteLiteRT (int8 weight-only)24MBAndroid, Linux, Windows, browser, through the SDKs
uhm-web-fp16.onnxONNX fp1651MBPython (onnxruntime)
uhm.onnxONNX fp3298MBQuantization-free reference

uhm.mlmodelc/ is a compiled Core ML model directory. The Swift SDK downloads it with the Hugging Face Hub snapshot API, so only changed files are re-fetched on model updates. uhm.tflite is what the Kotlin and JavaScript SDKs download; it is converted from uhm.onnx and matches it at 99.7 to 100% per-frame argmax.

The shipped model is a DistilHuBERT fine-tune, the smaller and more precise Uhm runtime model; the older HuBERT-base tier is no longer published.

Use

Python (ONNX)

from huggingface_hub import hf_hub_download
import onnxruntime as ort

path = hf_hub_download("desert-ant-labs/uhm", "uhm-web-fp16.onnx")
session = ort.InferenceSession(path, providers=["CPUExecutionProvider"])

Swift

import Uhm

let uhm = try await Uhm()
let result = try await uhm.analyze(audioURL: url)
for filler in result.fillers {
    print(filler.start, filler.end, filler.confidence, filler.type ?? .other)
}

Inputs and outputs

  • Input: 16kHz mono audio, up to 30-second windows.
  • Output: per-frame softmax over 6 classes, one prediction every 20ms.
  • Class indices: 0 = not_filler, 1 = uh, 2 = um, 3 = hmm, 4 = and, 5 = other.

Core ML input shape (1, 480000) float32; output (1, 1499, 6). Requires iOS 17 / macOS 14 or newer.

Performance

Warm on-device runs on the published fp16 Core ML model:

DeviceRealtime factor
iPhone 17 Pro~296×
iPhone 15 Pro~169×
iPad Pro M4~279×

Realtime factor = audio duration ÷ analyze time; model load excluded.

Limitations

  • Trained on English; non-English performance is by acoustic transfer and has not been measured against per-language ground truth.
  • Best on podcast / meeting / talking-head audio. Heavy background music, laughter, or multi-speaker overlap degrades quality.
  • Type labels (uh / um / hmm / and / other) are secondary. Trust filler vs. not-filler more than the specific subtype.

Built on

License

Desert Ant Labs Source-Available License. Free for most apps, and a commercial license is required at scale. Full terms are at the link. Licensing: licensing@desertant.com.

See THIRD_PARTY_NOTICES.md.

Citation

@software{uhm_2026,
  title  = {Uhm: On-device filler-word detection: frame-precise "uh"/"um"/"hmm" spans},
  author = {Desert Ant Labs},
  year   = {2026},
  url    = {https://huggingface.co/desert-ant-labs/uhm},
}

© 2026 Desert Ant Labs · https://desertant.com

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
9b5d28f

0 моделей