AI-генерация субтитров в мобильном приложении

Автоматические субтитры к видео — задача, с которой сталкиваются разработчики приложений для социальных сетей, образовательных платформ и сервисов видеомонтажа. Пользователи хотят быстро получать точные субтитры, а не вводить их вручную. Мы реализуем генерацию субтитров на основе Whisper от OpenAI, но не ограничиваемся простым вызовом API. Нужно правильно извлечь аудио из видео, синхронизировать таймкоды до миллисекунд, отрендерить субтитры (как overlay, так и запечённые), а также предоставить редактор для исправления ошибок распознавания. Наш 5-летний опыт в мобильной разработке (30+ проектов) гарантирует, что решение будет работать стабильно и быстро, а также впишется в ваш UI/UX. Снижение затрат на транскрипцию и ускорение выхода приложения на рынок — вот результат.

Как выбрать между on-device и API транскрипцией?

Whisper через OpenAI API — самый простой путь. Отправляем аудио (до 25 MB), получаем JSON с segments (таймкоды + текст):

POST https://api.openai.com/v1/audio/transcriptions model=whisper-1&response_format=verbose_json&timestamp_granularities[]=word 

verbose_json с word-гранулярностью даёт таймкод каждого слова — нужно для синхронизации субтитров. Время обработки: ~10-секундный клип — 2–4 сек, минута видео — 10–20 сек.

Whisper on-device — реально для iOS 16+ через WhisperKit (swift-transformers). Модель whisper-small — 244 MB, скорость ~0.3× реального времени на iPhone 14 (т.е. минута аудио = 3 минуты обработки). whisper-tiny — 77 MB, 0.7× реального времени, но точность заметно хуже. Для русского языка — хуже, чем для английского.

На Android: whisper.cpp через JNI, или openai-whisper-tflite — но это сложнее в сборке. Проще для большинства приложений — API.

Как извлечь аудио из видео на клиенте?

Перед отправкой в Whisper нужно извлечь аудиодорожку — отправлять всё видео избыточно:

// iOS: AVAssetExportSession для извлечения аудио func extractAudio(from videoURL: URL) async throws -> URL { let asset = AVURLAsset(url: videoURL) guard let exportSession = AVAssetExportSession( asset: asset, presetName: AVAssetExportPresetAppleM4A ) else { throw SubtitleError.exportFailed } let outputURL = FileManager.default.temporaryDirectory .appendingPathComponent(UUID().uuidString + ".m4a") exportSession.outputURL = outputURL exportSession.outputFileType = .m4a await exportSession.export() return outputURL } 

m4a/mp3 в 3–5 раз меньше оригинального видео — быстрее загружается и дешевле по API.

Сегменты субтитров: обработка на клиенте

Whisper verbose_json возвращает segments с start, end, text. Нарезаем по 5–7 слов на субтитр для читабельности:

// Android: разбивка на субтитры data class SubtitleCue(val start: Double, val end: Double, val text: String) fun segmentsToSubtitles(words: List<WhisperWord>, maxWords: Int = 7): List<SubtitleCue> { val cues = mutableListOf<SubtitleCue>() var chunk = mutableListOf<WhisperWord>() for (word in words) { chunk.add(word) if (chunk.size >= maxWords || word.word.endsWith(".") || word.word.endsWith("!")) { cues.add(SubtitleCue( start = chunk.first().start, end = chunk.last().end, text = chunk.joinToString(" ") { it.word.trim() } )) chunk.clear() } } if (chunk.isNotEmpty()) { cues.add(SubtitleCue(chunk.first().start, chunk.last().end, chunk.joinToString(" ") { it.word.trim() })) } return cues } 

Рендеринг субтитров: overlay или запечённые?

Overlay во время воспроизведения — UILabel/TextView поверх AVPlayerLayer/ExoPlayer. Обновляем текст по таймеру через player.currentTime(). Просто, не модифицирует исходный файл.

Запечённые субтитры — FFmpeg subtitles фильтр, сохраняет субтитры в пикселях видео. Постоянно видны при любом воспроизведении:

ffmpeg -i input.mp4 -vf "subtitles=subs.srt:force_style='FontName=Arial,FontSize=20,PrimaryColour=&HFFFFFF,OutlineColour=&H000000,Bold=1'" output.mp4 

Для Stories/Reels нужны запечённые субтитры — при шаринге overlay потеряется. Для внутреннего плеера приложения — overlay достаточен.

Редактор субтитров

Часто пользователь хочет исправить ошибки транскрипции. Минимальный редактор:

• Список SubtitleCue в RecyclerView/List
• Tap на элемент → TextField для редактирования текста
• Drag/resize для сдвига таймкодов
• Preview в видеоплеере с обновлёнными субтитрами в реальном времени

Удобный UX: при редактировании текста — автоматически корректировать конец предыдущего / начало следующего субтитра.

Экспорт SRT/VTT

SRT — стандартный формат для экспорта:

1 00:00:01,200 --> 00:00:03,450 Привет, это тестовый текст 2 00:00:03,800 --> 00:00:06,100 Второй субтитр здесь 

На мобиле пишем в FileManager.default.temporaryDirectory, шарим через UIActivityViewController/FileProvider.

SRT и VTT — простые текстовые форматы с таймкодами. VTT поддерживает стили. Оба широко поддерживаются на всех платформах.

OpenAI Whisper API — основа нашего решения.

Что входит в реализацию

• Интеграция Whisper API или on-device транскрипции
• Извлечение аудио из видео
• Разбивка на субтитры с таймкодами
• Выбор типа рендеринга (overlay или запечённые)
• Встроенный редактор субтитров
• Экспорт в SRT/VTT
• Тестирование и оптимизация производительности
• Документация и инструкция для пользователя

Этапы реализации: пошагово

1. Анализ — определяем требования к транскрипции (язык, точность, приватность), выбираем стек.
2. Проектирование — архитектура модуля субтитров, UX редактора.
3. Интеграция — подключение Whisper API или on-device модели, извлечение аудио.
4. Реализация — разбивка на субтитры, рендеринг, редактор, экспорт.
5. Тестирование — проверка точности синхронизации, производительности, отзывчивости интерфейса.
6. Деплой — публикация в сторах, настройка мониторинга.

Сроки и стоимость

Базовая интеграция с Whisper API и overlay плеером — 3–4 дня. Полный функционал с on-device транскрипцией, редактором и запечёнными субтитрами — 2–3 недели. Стоимость рассчитывается индивидуально, свяжитесь с нами для консультации — оценим ваш проект в течение дня. Закажите аудит текущего решения или получите бесплатную консультацию.