Реализация бота-переводчика в мобильном приложении

Техническая задача: от простого перевода к контексту и offline

Мобильный бот-переводчик — задача, которую многие пытаются решить простым вызовом API. Но когда нужно учитывать контекст диалога, работать в метро и переводить через камеру, простой запрос к DeepL или Google не поможет. Мы, команда мобильных разработчиков с 5-летним опытом, сталкивались с этим не раз. Неправильный выбор архитектуры ведёт к потере пользователей: переводы становятся бессмысленными, приложение падает в офлайне или требует постоянного интернета. В этой статье расскажем, как построить надёжного бота-переводчика с offline-режимом, голосовым вводом и камерой, используя современные API и ML Kit. За годы работы мы реализовали более 50 проектов для клиентов из США, Европы и СНГ, включая специализированные переводчики для медицинских и юридических сфер. Наш опыт показывает, что ключевые решения — выбор Translation API и архитектуры offline-режима — закладывают качество продукта. Рассмотрим по порядку: от выбора API до интеграции камеры, чтобы вы могли принять взвешенное решение и избежать типичных ошибок.

Как выбрать Translation API?

DeepL, Google Cloud Translation, Yandex Translate и LLM — каждый имеет свои сильные стороны. Выбор зависит от языковой пары и требований к контексту.

DeepL API — лучшее качество для европейских языков. Free tier — 500K символов в месяц. Поддерживает формальный/неформальный тон (параметр formality). Важно: DeepL не поддерживает перевод с русского на некоторые языки — в таких случаях используйте Google или Yandex.

Google Cloud Translation API — 100+ языков, высокое качество для русского. v3 поддерживает glossary — словарь терминов, которые нельзя переводить или нужно переводить строго определённым образом. Для медицины, юридических текстов, брендов — обязательная функция.

Yandex Translate API — лучшие результаты для русского ↔ европейские языки. Встроенный language detection.

LLM (GPT-4o / Claude) — контекстуальный перевод с учётом тона и стиля. Выигрывает на специализированных текстах, идиомах, юморе. Дороже и медленнее для простых задач. Рекомендован для диалоговых ботов.

Определение языка

Пользователь вводит текст — бот должен понять, с какого языка переводить. Явный выбор через пикер или автодетект. Google Translation API возвращает detectedSourceLanguage. Для коротких запросов (1–2 слова) автодетект ошибается — лучше предлагать выбор вручную.

Контекст диалога

Если пользователь переводит серию связанных сообщений — LLM с историей переводов даёт более последовательный результат. Имена, местоимения, термины сохраняются в контексте. Для экономии токенов передавайте последние N сообщений.

Терминологический глоссарий

Google Translation v3 Glossary API позволяет создать список терминов, которые модель не должна переводить или переводит строго определённым образом:

from google.cloud import translate_v3

client = translate_v3.TranslationServiceClient()

glossary = client.create_glossary(
    parent=f"projects/{project_id}/locations/us-central1",
    glossary=translate_v3.Glossary(
        name=glossary_name,
        language_pair=translate_v3.Glossary.LanguageCodePair(
            source_language_code="en",
            target_language_code="ru"
        ),
        input_config=translate_v3.GlossaryInputConfig(
            gcs_source=translate_v3.GcsSource(input_uri=glossary_gcs_uri)
        )
    )
)

Как реализовать offline-перевод?

Для пользователей в зонах нестабильного интернета — перевод на устройстве без отправки текста на сервер. Конфиденциальность данных — ключевое преимущество. Offline-модели работают локально — текст пользователя не покидает устройство. Offline-модели не только ускоряют перевод (10–50 мс против 200–500 мс у API), но и экономят до 70% расходов при высокой нагрузке. Согласно документации Google ML Kit, языковые модели весят около 30 МБ.

iOS. MLKit Translation от Google поддерживает скачивание языковых моделей. TranslateLanguage.allLanguages() — список доступных. Модель одного языка весит ~30 МБ. Перед переводом проверяйте наличие модели через translator.downloadModelIfNeeded(with:).

import MLKitTranslate

let options = TranslatorOptions(
    sourceLanguage: .russian,
    targetLanguage: .english
)
let translator = Translator.translator(options: options)

let conditions = ModelDownloadConditions(allowsCellularAccess: true)
translator.downloadModelIfNeeded(with: conditions) { error in
    guard error == nil else { return }
    translator.translate("Привет, мир") { result, error in
        print(result ?? "")
    }
}

Android. То же через TranslatorOptions из com.google.mlkit:translate. Offline-модели работают локально — текст пользователя не покидает устройство.

Сравнение online и offline

Голосовой ввод и озвучивание перевода

Логичное дополнение: пользователь говорит → бот переводит → зачитывает вслух. STT для входа: нативные API (Android SpeechRecognizer, iOS SFSpeechRecognizer) или Whisper. TTS для выхода: AVSpeechSynthesizer на iOS (AVSpeechSynthesisVoice(language: "fr-FR")) или TextToSpeech на Android. Важно проверить наличие голоса на устройстве перед озвучкой.

Камера: перевод в реальном времени

Самый впечатляющий сценарий — навести камеру на меню, вывеску или документ и увидеть перевод поверх изображения. Технически: ML Kit TextRecognizer → перевод блоков → отрисовка поверх camera preview с OCR bounding boxes. Подводный камень: координаты текста из OCR привязаны к кадру, который изменяется 30 раз в секунду. Стабилизация результатов (сравнение с предыдущим кадром по IoU bounding boxes) снижает мерцание.

Процесс работы

1. Анализ требований и выбор API.
2. Разработка бэкенда: API-ключи, кэширование, глоссарий.
3. Мобильный UI: ввод, история, копирование, шеринг.
4. Интеграция offline-моделей, голоса, камеры (опционально).
5. Тестирование и публикация (App Store / Google Play).

Что входит в работу

• Архитектурное решение и выбор стека.
• Разработка бэкенда и клиентской части.
• Настройка Glossary и контекстного перевода.
• Документация API и инструкции для пользователей.
• Поддержка после запуска (1 месяц).

Ориентиры по срокам

Базовый бот-переводчик через cloud API — 2–3 дня. С offline-режимом, голосовым вводом и переводом через камеру — 1,5–2 недели. Точная оценка после анализа проекта. Мы гарантируем качество и соблюдение сроков — за 5 лет работы мы не сорвали ни одного дедлайна. Свяжитесь с нами, чтобы обсудить ваш проект. Закажите разработку бота-переводчика уже сегодня.

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).