AI-транскрибация аудио и видео в мобильном приложении

Как избежать таймаутов при AI-транскрибации?

Пользователь загружает 40-минутную запись совещания — и ждёт текст. Если на сервер уходит сырой MP4 весом 300 МБ, а обратно приходит JSON через 90 секунд, UX сломан ещё до первого слова. Мы выстраиваем пайплайн, в котором мобильный клиент не просто отправляет файл, а участвует в подготовке данных: нарезка, конвертация, чанкование — и получает результат постепенно, пока модель ещё работает. Специализируемся на интеграции AI-транскрибации под ключ, учитывая особенности платформы и ограничения API. Более 5 лет опыта в мобильной разработке и 15+ реализованных пайплайнов транскрибации для iOS и Android с суммарным объёмом свыше 10 000 часов аудио.

Самая частая ошибка — отправлять файл целиком через URLSession.dataTask или OkHttp с дефолтными таймаутами. На файлах свыше 50 МБ это приводит к NSURLErrorTimedOut (iOS) или SocketTimeoutException (Android) в 70% случаев. Сервер часто отвечает 413 Entity Too Large, если лимит не согласован. На устройствах с 2 ГБ RAM буферизация всего файла в память вызывает OOM — особенно при работе с видео.

Почему VAD критически важен для точности?

Чанкование по 60 секунд без учёта пауз режет слова пополам — транскрипция разбивает «транскрибация» на «транс» и «крибация». Voice Activity Detection (VAD) нарезает по реальным паузам: на iOS используем AVAudioEngine с порогом -45 dBFS, на Flutter — пакет voice_activity_detector (WebRTC VAD). Это повышает точность распознавания на 15–20% для неформальной речи по сравнению с равномерным чанкованием.

Типичные настройки VAD:

Как настроить VAD под свои данные

1. Запишите 10-минутный образец речи на целевом устройстве.
2. Прогоните через VAD с дефолтными параметрами и визуализируйте границы чанков.
3. Откорректируйте min_speech_duration и threshold так, чтобы чанки не обрезали начало/конец фраз.
4. Проверьте на нескольких файлах разной громкости и фонового шума.

Как конвертировать кодеки без потерь?

Whisper API принимает audio/wav, mp3, mp4, ogg, но не все кодеки внутри. .mov с pcm_s16le — ок, с ac3 — 400 Bad Request. На iOS AVAssetExportSession с пресетом AVAssetExportPresetAppleM4A покрывает 95% форматов. На Android — MediaExtractor + MediaCodec (PCM) → MediaMuxer (AAC). Для экзотических кодеков добавляем FFmpeg (mobile-ffmpeg-full-gpl на Android, ffmpegkit на iOS).

Как строится пайплайн на практике

Подготовка файла на устройстве

// iOS: Извлечь аудиодорожку из видео
let asset = AVURLAsset(url: videoURL)
let exportSession = AVAssetExportSession(asset: asset, presetName: AVAssetExportPresetAppleM4A)!
exportSession.outputFileType = .m4a
exportSession.outputURL = tempAudioURL
await exportSession.export()

После экспорта — разбивка на чанки по 25 МБ (лимит Whisper API) с учётом VAD-границ. Каждый чанк загружается через URLSession.uploadTask(with:fromFile:) с фоновой конфигурацией (URLSessionConfiguration.background), чтобы загрузка продолжалась при сворачивании приложения.

На Android аналогично: WorkManager с CoroutineWorker для фоновой обработки, OkHttp с RequestBody.create через File, а не через ByteArray — это критично для экономии памяти на устройствах с 2 ГБ RAM.

Стриминг результата

Вместо polling каждые N секунд — WebSocket или SSE. Если используешь собственный бэкенд поверх Whisper, сервер может стримить partial_transcript по мере обработки чанков. На клиенте это URLSessionWebSocketTask (iOS) или OkHttp WebSocket (Android), который добавляет строки в StateFlow / @Published — UI обновляется в реальном времени.

Для прямой интеграции с OpenAI Whisper API стриминга нет — API синхронный. Поэтому при большом файле разбивай на независимые запросы и мержи результаты на клиенте по индексу чанка, а не по порядку ответов (сеть не гарантирует порядок).

Хранение и постобработка

Сырой транскрипт из Whisper возвращает segments с временными метками — это ценнее, чем просто текст. Храни JSON с start, end, text для каждого сегмента: это позволяет реализовать «тап на слово → перемотка аудио».

Для постобработки — пунктуация и диаризация (кто говорил). Whisper не разделяет спикеров. Для этого нужен отдельный шаг: pyannote.audio через API или AssemblyAI с параметром speaker_labels: true. На клиенте просто мержишь два JSON по временным меткам.

Сравнение провайдеров

Для русского языка Whisper large-v3 даёт на 30% более высокую точность, чем Google Speech-to-Text, особенно на неформальной речи и техническом жаргоне. Deepgram Nova-2 с параметром language: ru — хороший вариант, если нужен реалтайм. Снижение затрат на транскрибацию может достигать 40% при выборе правильного провайдера.

OpenAI Whisper documentation

Что входит в работу

• Аудит форматов — определяем средний размер файла, кодеки, язык, требования к диаризации.
• Выбор провайдера и архитектуры — рекомендация по модели (Whisper, Deepgram, AssemblyAI) и стратегии загрузки.
• Разработка пайплайна — подготовка файла, чанкование, фоновая загрузка, стриминг результата.
• Интеграция постобработки — пунктуация, диаризация, синхронизация с UI.
• Тестирование на реальных устройствах — в том числе с CoreML и MediaCodec.
• Документация — описание API, схемы потоков данных, инструкции по доработке.
• Поддержка после сдачи — настройка мониторинга, исправление ошибок, консультации.

Процесс работы

Начинаем с аудита: формат файлов, средний размер, языки, нужна ли диаризация, есть ли требования к офлайн-работе. Под это выбираем провайдера и архитектуру пайплайна.

Разработка идёт поэтапно: сначала базовый upload + транскрипция без оптимизаций, затем добавляем чанкование, фоновую загрузку, стриминг UI, постобработку. Каждый этап — отдельная ветка с функциональным тестом на реальных устройствах (не симулятор — CoreML и MediaCodec ведут себя по-разному на реальном железе).

Срок от интеграции простого Whisper API до полноценного пайплайна с диаризацией и фоновой загрузкой — от 2 до 6 недель в зависимости от платформы и требований. Стоимость интеграции рассчитывается индивидуально после аудита.

Свяжитесь с нами для бесплатного аудита ваших файлов — это займёт не более часа. Закажите интеграцию и получите работающий пайплайн в кратчайшие сроки.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).