AI-виртуальный фон для видеозвонков на мобильных

При разработке мобильного приложения для видеозвонков клиенты часто сталкиваются с проблемой: стандартная реализация виртуального фона через сервер даёт задержки и артефакты. На одном проекте заказчик использовал облачный AI от AWS Rekognition — каждый кадр уходил в облако, возвращался через 60–80 мс. В результате контур флуктуировал, пользователи жаловались на качество.

Мы решили её, перенеся сегментацию на устройство. Серверная обработка добавляет 40–80 мс на каждый кадр, что при 30 fps приводит к заметному разрыву контура и «призраку» при быстрых движениях. On-device сегментация укладывается в 8–28 мс, экономя до 80% времени по сравнению с облачным инференсом. Ключевое преимущество — сегментация на устройстве, а не в облаке. Это не только снижает затраты на инфраструктуру, но и обеспечивает конфиденциальность пользовательских данных. На каждом кадре видеопотока нейросеть выделяет силуэт человека, применяет фон (изображение, видео или размытие) и возвращает результат в пайплайн энкодера — всё без передачи данных на сервер. Типичный бюджет времени — 33 мс на кадр, и on-device решение легко в него укладывается. Для бюджетных устройств мы используем лёгкие модели, понижаем частоту кадров до 24 fps — это позволяет добиться стабильной работы без перегрева.

Почему on-device AI-виртуальный фон быстрее?

Задача — выделить силуэт человека на каждом кадре видеопотока (30 fps), применить фон и вернуть результат в пайплайн до энкодирования. Это означает бюджет ~33 мс на кадр включая захват, инференс модели, постобработку и рендеринг.

Серверный вариант: захват → отправка → инференс → ответ → рендеринг. Даже при идеальной сети roundtrip добавляет 40–80 мс. На практике — рывки контура, «призрак» при движении.

На устройстве: захват → инференс → рендеринг. Всё в одном пайплайне. Стоимость инфраструктуры при серверном подходе высока — нужны GPU-сервера. On-device подход полностью устраняет эти затраты. Экономия на серверных GPU-вычислениях может достигать $2000 в месяц для приложения с 10 000 активных пользователей. На другом проекте экономия составила $3000 в месяц за счёт отказа от дорогостоящих GPU-инстансов.

Принцип работы on-device сегментации

Мы используем нейросети, оптимизированные для мобильных чипов (Neural Engine, GPU, DSP). Инференс выполняется локально, никакие данные не покидают устройство — это одновременно решает вопросы конфиденциальности и задержки.

iOS: MLKit + CoreImage или Vision

На iOS используем Vision фреймворк с моделью VNGeneratePersonSegmentationRequest. Apple добавила её в iOS 15 и новее — работает на Neural Engine без явной загрузки модели. Точность хорошая для фронтальной камеры, но начинает давать рваный контур при сложных причёсках и прозрачных элементах одежды.

// Настройка сегментации
let request = VNGeneratePersonSegmentationRequest()
request.qualityLevel = .balanced   // .accurate даёт лучший контур, но тяжелее
request.outputPixelFormat = kCVPixelFormatType_OneComponent8

// В обработчике кадров AVFoundation
let handler = VNImageRequestHandler(cvPixelBuffer: pixelBuffer, options: [:])
try handler.perform([request])

guard let mask = request.results?.first?.pixelBuffer else { return }
// mask — CVPixelBuffer 8-bit, применяем через CIBlendWithMask

CIBlendWithMask с CIContext(options: [.workingColorSpace: NSNull()]) — рендерим в Metal, избегая конвертации цветового пространства. Без этого каждый кадр добавляет ~5 мс только на конвертацию.

Для более качественной сегментации — конвертируем TFLite модель DeepLab v3 или MediaPipe SelfieSegmentation в Core ML через coremltools и загружаем через MLModel. MediaPipe даёт стабильный контур даже при размытых краях. Apple Vision VNGeneratePersonSegmentationRequest

Android: MLKit Selfie Segmentation

val segmenter = Segmentation.getClient(
    SelfieSegmenterOptions.Builder()
        .setDetectorMode(SelfieSegmenterOptions.STREAM_MODE)  // оптимизировано для видео
        .enableRawSizeMask()
        .build()
)

// В обработчике CameraX ImageAnalysis
override fun analyze(imageProxy: ImageProxy) {
    val inputImage = InputImage.fromMediaImage(imageProxy.image!!, imageProxy.imageInfo.rotationDegrees)
    segmenter.process(inputImage)
        .addOnSuccessListener { segmentationMask ->
            val mask = segmentationMask.buffer
            // Применяем фон через RenderScript или Vulkan compute shader
            applyBackground(mask, imageProxy)
        }
        .addOnCompleteListener { imageProxy.close() }
}

STREAM_MODE критичен — он держит внутренний стейт между кадрами и работает быстрее SINGLE_IMAGE_MODE. На Pixel 6 с Tensor G2 инференс занимает 8–12 мс. На бюджетных устройствах (Snapdragon 695) — 20–28 мс. Для постобработки маски — RenderScript (deprecated в API 31+) или Vulkan compute shader через RenderEffect на Android 12+. MLKit Selfie Segmentation

Сравнение моделей сегментации

Сравнение подходов: серверный vs on-device

Применение фона: три варианта

Статичное изображение — простейший случай. CIBlendWithMask на iOS, PorterDuff compositing на Android.

Размытие (blur) — фильтр CIGaussianBlur с radius 12–20 применяется к исходному кадру, затем маска выбирает между оригиналом и размытым. На Android — RenderEffect.createBlurEffect (API 31+) или собственный blur через Vulkan.

Видеофон — нужен декодер, синхронизированный с таймингом видеозвонка. На iOS — AVPlayerItemVideoOutput + Metal текстура. Тяжело по памяти: буфер видеофона + буфер камеры + буфер маски + результат. На iPhone 12 с 4 GB это ок, на iPhone SE 2nd gen (3 GB) нужен aggressive buffer reuse.

Интеграция в WebRTC-пайплайн

Большинство мобильных решений для звонков строятся на WebRTC — через LiveKit, Daily.co, Agora или нативный WebRTC. Все они предоставляют механизм кастомного VideoSource/VideoProcessor для подмены кадров до энкодирования.

В LiveKit SDK для iOS это VideoProcessor протокол:

class BackgroundReplacementProcessor: VideoProcessor {
    func process(frame: RTCVideoFrame) -> RTCVideoFrame? {
        // Сегментация + применение фона
        // Возвращаем новый RTCVideoFrame с обработанным буфером
    }
}
room.localParticipant?.videoTracks.first?.processor = BackgroundReplacementProcessor()

Важно: RTCVideoFrame работает в CVPixelBuffer с форматом kCVPixelFormatType_420YpCbCr8BiPlanarFullRange. Конвертация в RGB для ML-инференса и обратно — это потери. Если модель принимает YUV — оставляем формат нетронутым.

Критерии выбора модели сегментации

Выбор модели зависит от целевых устройств и требований к качеству. Для iOS с A12+ подходит Vision — встроенная модель, не требует дополнительных ресурсов. Для Android с Tensor G2 или Snapdragon 8 Gen 1 — MLKit даёт лучшее качество. На слабых устройствах (Snapdragon 695, A11) используем MediaPipe или понижение fps.

Оптимизация для слабых устройств

На устройствах с ограниченными ресурсами мы снижаем частоту кадров до 24 fps и используем лёгкие модели (MediaPipe). Также применяем динамическое масштабирование входного кадра: уменьшаем разрешение до 480p перед инференсом, затем upscale маски. Это сокращает время обработки на 30-40% без заметной потери качества.

Какие результаты вы получите?

После завершения проекта вы получаете полностью интегрированную функцию замены фона, протестированную на 20+ реальных устройствах. В состав deliverables входят:

• Исходный код модуля сегментации и обработки фона.
• Подробная техническая документация по интеграции и кастомизации.
• Обучение вашей команды работе с кодом и конфигурациями.
• Месяц поддержки после запуска для исправления возможных багов.
• Рекомендации по оптимизации для новых версий ОС.

Сколько времени занимает интеграция?

1. Аудит текущего WebRTC-стека и пайплайна кадров.
2. Выбор модели сегментации под качество/скорость (Vision, MLKit, Core ML, MediaPipe).
3. Разработка прототипа с замером производительности на 10+ устройствах.
4. Интеграция в существующий WebRTC-пайплайн через VideoProcessor.
5. Оптимизация постобработки маски (antialiasing, feathering).
6. Тестирование на граничных условиях (сложный фон, быстрые движения).
7. Документация и обучение команды заказчика.

Ориентиры по срокам

Базовая реализация с размытием фона (одна платформа) — 2–3 недели. Полная реализация с поддержкой статичных изображений и видеофонов, двух платформ, интеграция в существующий WebRTC-стек — 5–8 недель.

Мы имеем 8+ лет опыта в мобильной разработке, выполнили 50+ проектов с видео- и AI-функциями. Гарантируем стабильную работу на устройствах старше пяти лет.

Свяжитесь с нами для оценки вашего проекта. Получите консультацию инженера.

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).