Uhm 这个填充词模型是最让我眼前一亮的。我在做一个语音伴侣，每天给老年人打电话；难点从来都不是转写，而是 endpointing：82 岁老人说到一半会停四五秒，标准 VAD 会把这当成一轮说完，然后盖过他们说话。一个在设备本地运行、和 VAD 并行的微小迟疑信号，会比单靠静音时长更好地判断轮次切换。
两个问题：Uhm 能不能作为流式信号输出，让你逐帧读取，还是只能等一段音频结束后才给结果？另外，Voz 和 Clear 在老年人语音上表现如何——语速更慢、构音障碍、助听器反馈、背景电视声这些情况，你有任何了解吗？这个人群在大多数 ASR 训练数据里严重不足，而这正是我测过的云端模型会崩掉的地方。
用同一个 SDK，只要几行代码，就能在 Swift、Kotlin 或 JavaScript 里把任意一个模型接入你的 app。
Audio Models：Align（词级时间戳）、Clear（语音增强）、Clips（片段选择）、Ear（口语语种检测）、Uhm（填充词检测）、Voz（语音识别）、Who（说话人标注，beta）
Text Models：Emo（emoji 建议）、Gist（主题打标）、Redact（PII 脱敏）、Title（标题和描述）、Tongue（语言识别）、Schemer（结构化提取，beta）、Toxic（仇恨言论初筛，beta）
Vision Models：Shapes（形状识别）、Eye（beta）、Face（beta）、Moderator（内容审核，beta）
不一样在哪：一切都完全在设备本地运行，所以永远没有云账单，也永远不按 token 计费。每个平台最多 10 万台月活设备免费，之后每个用户的推理不限量。
适合谁：想加语音、文本或视觉功能，又不想增加云成本或延迟的开发者。
试用：desertant.com · SDK 在 GitHub · 模型在 Hugging Face · 文档
P.S. 我专门挖掘科技、SaaS 和 AI 领域最新最棒的发布，关注获取通知 → @rohanrecommends
两个问题：Uhm 能不能作为流式信号输出，让你逐帧读取，还是只能等一段音频结束后才给结果？另外，Voz 和 Clear 在老年人语音上表现如何——语速更慢、构音障碍、助听器反馈、背景电视声这些情况，你有任何了解吗？这个人群在大多数 ASR 训练数据里严重不足，而这正是我测过的云端模型会崩掉的地方。