Голосовой синтез в мобильном приложении: настройка OpenAI TTS

class OpenAITTSStreamer(private val apiKey: String, private val context: Context) {
    private val exoPlayer = ExoPlayer.Builder(context).build()

    fun speak(text: String, voice: String = "nova") {
        val requestBody = JSONObject().apply {
            put("model", "tts-1")
            put("input", text)
            put("voice", voice)
            put("response_format", "mp3")
        }.toString().toRequestBody("application/json".toMediaType())

        // Используем OkHttp как DataSource через кастомный MediaSource
        val call = OkHttpClient().newCall(
            Request.Builder()
                .url("https://api.openai.com/v1/audio/speech")
                .header("Authorization", "Bearer $apiKey")
                .post(requestBody)
                .build()
        )

        call.enqueue(object : Callback {
            override fun onResponse(call: Call, response: Response) {
                // Пишем поток во временный файл, одновременно начинаем воспроизведение
                val tempFile = File(context.cacheDir, "tts_${System.currentTimeMillis()}.mp3")
                response.body!!.byteStream().use { input ->
                    tempFile.outputStream().use { output ->
                        val buffer = ByteArray(8192)
                        var bytes: Int
                        var firstChunk = true
                        while (input.read(buffer).also { bytes = it } != -1) {
                            output.write(buffer, 0, bytes)
                            if (firstChunk && tempFile.length() > 32768) {
                                firstChunk = false
                                // Начинаем воспроизведение после первых 32 KB
                                Handler(Looper.getMainLooper()).post {
                                    exoPlayer.setMediaItem(MediaItem.fromUri(tempFile.toUri()))
                                    exoPlayer.prepare()
                                    exoPlayer.play()
                                }
                            }
                        }
                    }
                }
            }

            override fun onFailure(call: Call, e: IOException) {
                /* обработка ошибки */
            }
        })
    }
}

ExoPlayer поддерживает воспроизведение из файла, который ещё пишется — ProgressiveMediaSource читает данные по мере их поступления. Задержка до первого звука — 400–700 мс.

Как обрабатывать длинные тексты?

OpenAI TTS принимает до 4096 символов за запрос. Для длинных текстов — разбивка по предложениям:

func splitBySentences(_ text: String, maxLength: Int = 1000) -> [String] {
    var chunks: [String] = []
    var current = ""
    for sentence in text.components(separatedBy: CharacterSet(charactersIn: ".!?\n")) {
        let trimmed = sentence.trimmingCharacters(in: .whitespaces)
        if trimmed.isEmpty {
            continue
        }
        if current.count + trimmed.count > maxLength {
            if !current.isEmpty {
                chunks.append(current)
            }
            current = trimmed
        } else {
            current += (current.isEmpty ? "" : ". ") + trimmed
        }
    }
    if !current.isEmpty {
        chunks.append(current)
    }
    return chunks
}

Куски синтезируем параллельно через TaskGroup, воспроизводим последовательно — так общая задержка меньше, чем при последовательной обработке.

Что входит в интеграцию

• Анализ требований и проектирование архитектуры
• Реализация REST- и стриминговых запросов к OpenAI TTS
• Настройка кэширования на устройстве (LRU-кэш с хешированием)
• Обработка длинных текстов (разбивка по предложениям)
• Интеграция плеера (AVAudioPlayer / ExoPlayer) с поддержкой фонового воспроизведения
• Учёт требований App Store Review Guidelines (Section 4.2) и настройка AVAudioSession для iOS
• Тестирование на реальных устройствах (iOS 15+ / Android 10+)
• Документация по эксплуатации и инструкция по получению API-ключа
• Поддержка в течение 2 недель после сдачи

Процесс работы

1. Аналитика — изучаем ваше приложение, определяем места вызова TTS, замеряем текущие задержки.
2. Прототипирование — создаём MVP на одном экране, показываем стриминг с кэшем.
3. Интеграция — встраиваем готовые модули в вашу кодовую базу.
4. Тестирование — проверяем на нагрузке, корректируем под ваши кейсы.
5. Деплой — публикация в App Store / Google Play, мониторинг.

Сроки и стоимость

Базовая интеграция (REST + кэш) — 3–4 дня. Расширенная (стриминг + обработка длинных текстов + UI) — 7–10 дней. Точную стоимость рассчитываем после аудита вашего проекта — напишите нам, и мы оценим. Для точной оценки стоимости вашего проекта — свяжитесь с нами.

Опыт команды

Мы более 5 лет занимаемся мобильной разработкой. Реализовали 15+ проектов с интеграцией AI-сервисов, включая OpenAI, Google Cloud Speech и Yandex SpeechKit. Наши разработчики сертифицированы Apple и Google. Гарантируем стабильную работу и прозрачное сотрудничество.

Получите консультацию по интеграции голосового синтеза в ваше приложение — свяжитесь с нами.