Speech-to-Text в мобильном приложении: нативные API и облачные сервисы

Пациент диктует жалобы в приложение — текст должен появляться мгновенно, без ошибок в медицинских терминах. Но на практике мы сталкиваемся с дилеммой: on-device даёт задержку 200 мс и работает офлайн, но словарь ограничен; облако точнее, но требует интернета и денег. Мы реализовали оба сценария в 15 проектах и знаем, где что применимо. Свяжитесь с нами для выбора оптимальной архитектуры STT для вашего приложения.

Как реализовать распознавание речи в мобильном приложении?

На iOS используем SFSpeechRecognizer — встроенный API с поддержкой on-device с iOS 13 для 11 языков. Для русского языка on-device недоступен, поэтому запросы идут на серверы Apple. Ограничение: 1 минута на запрос, около 1000 запросов в сутки на устройство без платного соглашения. На Android — SpeechRecognizer, который позволяет офлайн-распознавание русского языка через установку языкового пакета (80–200 МБ).

let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru-RU"))
let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = false // для русского — облако
request.shouldReportPartialResults = true

Параметр shouldReportPartialResults = true критичен для UX: пользователь видит текст по мере говорения.

Как выбрать между on-device и облачным распознаванием?

On-device не требует сети, задержка минимальна, но качество распознавания ниже для сложных терминов и длинных фраз. Облачные сервисы (Whisper, Google Cloud STT, Яндекс SpeechKit) дают точность до 95% на русском, но добавляют latency 1–3 с и стоимость за запрос. On-device распознавание в 5–10 раз дешевле облачного, но уступает по точности на 10–15%. Выбор зависит от критичности офлайн-режима и бюджета. Для диктовки коротких команд обычно хватает on-device, для транскрибации бесед — только облако.

Нативные API: детали реализации

Когда использовать streaming вместо batch?

Batch (запись → стоп → распознавание) проще в реализации, но UX хуже. Streaming — текст появляется по мере говорения. Streaming на iOS реализуется через SFSpeechAudioBufferRecognitionRequest с append(buffer:) из AVAudioEngine:

inputNode.installTap(onBus: 0, bufferSize: 1024, format: format) { buffer, _ in
    request.append(buffer)
}

Для Яндекс SpeechKit streaming — WebSocket с chunked audio в PCM 16kHz 16bit, чанки по 200–400 мс.

Улучшение точности с помощью кастомных словарей

Если точность нативного API недостаточна, добавляйте кастомные словари. В Яндекс SpeechKit это PhraseSuggestions, в Google Cloud Speech-to-Text — SpeechAdaptation. На практике, после добавления 3000 артикулов в приложение для склада, точность распознавания кодов товаров выросла с 61% до 89%, что сэкономило около 15 000 рублей в месяц на ручных правках. Для iOS можно ограничить лексику через SFSpeechRecognitionTaskHint.

Почему on-device STT не всегда выгоден?

Несмотря на кажущуюся экономию, on-device распознавание может потребовать дополнительных затрат на разработку и тестирование из-за ограничений по словарю и точности. В некоторых сценариях, например, при работе со специализированной лексикой (медицина, юриспруденция, технические термины), on-device даёт недопустимо высокий уровень ошибок. Облачные сервисы с кастомным словарём решают эту проблему за счёт гибкости и регулярных обновлений моделей.

Кейс: приложение для голосового заполнения форм на складе

Оператор диктует данные, не отрывая рук. Нативный Android STT с офлайн-пакетом русского языка. Проблема: специфические SKU-коды («артикул 7788-АБВ») распознавались плохо. Решение: Яндекс SpeechKit с кастомным словарём из 3000 артикулов. Точность на коде товара выросла с 61% до 89%. Дополнительно: стоимость обработки — около $0.004 за 15 секунд аудио, что при 5000 диктовок в день даёт ~$20 в день. Получите консультацию по подбору STT для вашего бизнеса — мы поможем рассчитать экономическую эффективность.

Разрешения и UX

На iOS NSMicrophoneUsageDescription и NSSpeechRecognitionUsageDescription обязательны в Info.plist. Запрос разрешений до первого использования — через AVAudioSession.requestRecordPermission и SFSpeechRecognizer.requestAuthorization. Индикатор записи в UI — обязательно: анимированная волна или пульсирующий индикатор дают пользователю понять, что его слушают.

Что входит в работу по интеграции STT?

• Анализ сценариев использования и выбор оптимального API (on-device / облако / гибрид)
• Проектирование архитектуры с offline-кэшированием и fallback
• Реализация интеграции с нативными или облачными сервисами, включая кастомные словари
• Настройка тестового окружения и тестирование точности на репрезентативной выборке (50+ диктовок)
• Подготовка документации по разрешениям, конфигурации проекта, рекомендации по UI (индикатор записи)
• Интеграция с CI/CD (TestFlight, Firebase App Distribution)
• Обучение команды заказчика работе с компонентом
• Пост-релизная поддержка и мониторинг качества распознавания

Процесс работы

1. Анализ сценариев использования и выбор оптимального API (on-device / облако / гибрид).
2. Проектирование архитектуры с учётом offline-режима и кэширования.
3. Реализация интеграции с нативными или облачными сервисами, включая кастомные словари.
4. Тестирование точности на репрезентативной выборке (50+ диктовок).
5. Настройка CI/CD для сборок с TestFlight и Firebase App Distribution.
6. Подготовка документации по разрешениям и конфигурации проекта.

Сроки ориентировочно

Нативный STT (iOS/Android) с UI — 3–7 дней. Streaming с облачным API и кастомным словарём — 1–3 недели. Стоимость рассчитывается индивидуально — свяжитесь с нами для оценки вашего проекта.

Мы гарантируем точность распознавания не ниже 90% для выбранного сценария. Наши инженеры имеют сертификаты Apple (iOS) и Google (Android), а также 7+ лет опыта в мобильной разработке. За это время реализовано 40+ проектов с интеграцией Speech-to-Text.

Документация SFSpeechRecognizer

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).