AI-редактирование видео в мобильном приложении: реализация функций

Реализация AI-редактирования видео в мобильном приложении

Заказчик присылает запись интервью: 15 минут, тридцать пауз и «эм» через слово. Вручную вырезать — потерять час. Наш AI-пайплайн делает это за 30 секунд. Мы реализовали авторезку, замену фона, цветокоррекцию и умный рефрейм для iOS и Android. В этой статье — как это работает технически.

Какие задачи решает AI-редактирование

AI-редактирование видео — не магия, а набор конкретных алгоритмов: автоматическое удаление пауз и слов-паразитов, замена фона, цветокоррекция по референсу, умная обрезка под вертикальный формат. Каждая требует своего стека и архитектуры. Рассмотрим ключевые.

Как работает авторезка пауз?

Пользователь записывает разговорное видео. Мы транскрибируем аудио через Whisper API или Deepgram, получаем JSON с таймкодами каждого слова. Затем находим паузы длиннее 0.5 сек и слова из стоп-листа («эм», «ну», «как бы»). Генерируем FFmpeg cut-list и собираем итоговое видео.

# Backend: генерация FFmpeg фильтра из транскрипции Whisper
def build_cut_filter(transcript_words, pause_threshold=0.5, filler_words=None):
    filler_words = filler_words or {"эм", "ну", "вот", "как бы", "типа"}
    segments_to_keep = []
    prev_end = 0.0

    for i, word in enumerate(transcript_words):
        gap = word["start"] - prev_end
        if gap > pause_threshold:
            pass
        if word["word"].lower().strip(".,!?") in filler_words:
            continue
        segments_to_keep.append((word["start"], word["end"]))
        prev_end = word["end"]

    filter_parts = "+".join(
        f"between(t,{s},{e})" for s, e in merge_segments(segments_to_keep, gap=0.05)
    )
    return f"select='{filter_parts}',setpts=N/FRAME_RATE/TB"

Whisper с параметром word_timestamps=True даёт точность ±20 ms — достаточно для плавных склеек. На мобильном устройстве видео загружается на сервер, запускается задача, результат скачивается. Воспроизводим через AVPlayer или ExoPlayer.

Почему замена фона на мобильном — сложная задача?

Для статичной камеры используем MediaPipe Selfie Segmentation — работает в реальном времени (30 fps) на современных устройствах. Для движущейся камеры с несколькими людьми — серверная обработка через SAM 2 (Segment Anything Model 2).

MediaPipe на Android:

val options = ImageSegmenterOptions.builder()
    .setBaseOptions(BaseOptions.builder().useGpu().build())
    .setOutputCategoryMask(false)
    .setOutputConfidenceMasks(true)
    .build()
val segmenter = ImageSegmenter.createFromOptions(context, options)

Результат — маска уверенности от 0 до 1. Применяем к каждому кадру через Metal (iOS) или Vulkan (Android). Для 1080p 30fps GPU обязателен — CPU не тянет. Серверная обработка через SAM 2 даёт лучшее качество, но занимает 2–5 минут на минуту видео даже на A100.

Умная обрезка под формат (Auto Reframe)

Конвертация 16:9 в 9:16 с умным кропом — задача трекинга объектов. На мобильном устройстве:

• Face detection по каждому ключевому кадру (каждые 0.5 сек) — VNDetectFaceRectanglesRequest на iOS
• Построение траектории движения субъекта
• Плавное панорамирование с ease-функцией
• FFmpeg crop фильтр с динамическими параметрами

# FFmpeg: кроп с движением (x меняется от 0 до 540 за 10 сек)
ffmpeg -i input.mp4 \
  -vf "crop=608:1080:'min(max(cx-304,0),672)':0" \
  -c:v libx264 output_9x16.mp4

cx — x-координата субъекта из трекинг-данных. На сервере Python-скрипт генерирует FFmpeg-команду, выполняет и возвращает результат.

AI-цветокоррекция

По референс-фото применяем CinematicLUT через Core Image на iOS (около 100 мс на кадр). По текстовому описанию («сделай как золотой час») — вызов к серверу с генерацией LUT через Stable Diffusion + ControlNet. Готовый .cube файл применяем к видео через FFmpeg: -vf lut3d=lut_file.cube.

Мобильный редактор: архитектура

Timeline editor — нетривиальная UI-задача. Минимальный стек:

• iOS: AVMutableComposition для треков, AVVideoComposition для эффектов, AVAssetExportSession для экспорта
• Android: MediaCodec + MediaMuxer для низкоуровневой обработки или Media3 Transformer (рекомендуем)

Media3 Transformer позволяет применять обрезку, изменение скорости, цвета в одном проходе с GPU-ускорением через OpenGL ES. Это проще, чем самостоятельная работа с MediaCodec.

Сравнение подходов: on-device vs сервер

Выбор зависит от задачи: для массовых функций (авторезка) подходит сервер, для редактирования в реальном времени — on-device.

Что входит в работу по созданию AI-редактора

Мы предоставляем результат «под ключ»:

• Исследование и выбор оптимального стека под вашу задачу
• Реализация backend (Python/FastAPI, Whisper, FFmpeg) и mobile SDK (iOS/Android)
• Интеграция с существующим приложением (код, зависимости, документация)
• Настройка StoreKit 2 / Billing 6 для подписок, если нужны
• Тестирование на 10+ реальных устройствах
• Загрузка в App Store и Google Play (помощь с Review Guidelines)
• Гарантия стабильной работы 3 месяца после запуска

Наш опыт: 5+ лет в мобильной разработке, 20+ проектов с видео и AI, сертифицированные специалисты Apple и Google. Мы гарантируем качество и соблюдение сроков.

Сроки и стоимость

• Одна функция (авторезка или замена фона) — 1–2 недели
• Полноценный редактор с несколькими функциями, timeline и экспортом — 6–10 недель
• Стоимость рассчитывается индивидуально после анализа требований. Напишите нам — мы оценим ваш проект за 2 дня.

Закажите разработку AI-редактора видео для вашего мобильного приложения. Получите консультацию по техническим деталям и срокам.

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).