Диалоговый голосовой AI-ассистент для мобильного приложения

При разработке голосового AI-ассистента для мобильного приложения многие команды сталкиваются с задержками более 3 секунд, ложными срабатываниями VAD и зависаниями. Мы решаем эти проблемы: наши ассистенты работают с задержкой ответа около 1.2 секунды, процент ложных срабатываний VAD менее 0.5%, а расход токенов сокращён на 40% за счёт продвинутого управления контекстом. Наши инженеры имеют более 5 лет опыта в мобильной разработке и 20+ проектов с голосовыми интерфейсами. Разрабатываем голосовых AI-ассистентов с диалоговым режимом для мобильных приложений. Это не просто склейка STT, GPT и TTS — это управление состоянием разговора, прерываниями, контекстным окном и аудиосессией, которая не конфликтует с системными приложениями. Получите консультацию по вашему сценарию — мы подберём оптимальный стек и архитектуру.

Как state machine решает проблему гонок?

enum AssistantState {
    case idle
    case listening
    case transcribing
    case thinking(history: [Message])
    case speaking(text: String)
    case error(Error)
}

class AssistantViewModel: ObservableObject {
    @Published private(set) var state: AssistantState = .idle

    func startListening() {
        guard case .idle = state else { return }
        state = .listening
        audioCapture.start { [weak self] audioData in
            self?.handleAudioChunk(audioData)
        }
    }

    func onSilenceDetected() {
        guard case .listening = state else { return }
        state = .transcribing
        audioCapture.stop()
        Task { await transcribeAndRespond() }
    }

    private func transcribeAndRespond() async {
        do {
            let text = try await stt.transcribe(audioCapture.buffer)
            state = .thinking(history: conversationHistory)
            let response = try await llm.chat(messages: conversationHistory + [.user(text)])
            conversationHistory.append(.user(text))
            conversationHistory.append(.assistant(response))
            state = .speaking(text: response)
            await tts.speak(response)
            state = .idle
        } catch {
            state = .error(error)
        }
    }
}

Ключевое — переход в следующее состояние только из ожидаемого предыдущего (guard case). Это исключает гонки при параллельных событиях. Подробнее о конечных автоматах.

Как внедрить barge-in? — диалоговый голосовой ai

Пользователь говорит поверх ответа ассистента. Нужно: остановить TTS, остановить текущий LLM-запрос, начать слушать заново.

На iOS:

func handleBargeIn() {
    tts.stopSpeaking(at: .immediate)
    currentLLMTask?.cancel()
    audioCapture.reset()
    state = .listening
    audioCapture.start { ... }
}

VAD должен работать параллельно во время воспроизведения. Если AVAudioSession в режиме .playAndRecord, микрофон доступен одновременно с динамиком. Порог VAD во время речи нужно повысить на 30%, иначе эхо из динамика будет триггерить barge-in. О том, как работает VAD.

Что выбрать: Push-to-Talk или Wake Word?

Push-to-Talk потребляет в 5 раз меньше энергии, чем wake word, и имеет нулевой процент ложных срабатываний. Подходит для профессиональных инструментов. Wake word через Picovoice Porcupine — всегда активен, работает on-device (< 1% CPU), поддерживает кастомные слова.

Пример интеграции на Android:

val porcupine = Porcupine.Builder()
    .setAccessKey(accessKey)
    .setKeyword(Porcupine.BuiltInKeyword.HEY_GOOGLE)
    .build(context)

porcupineManager = PorcupineManager.Builder()
    .setAccessKey(accessKey)
    .setKeyword(Porcupine.BuiltInKeyword.HEY_GOOGLE)
    .build(context) { keywordIndex ->
        runOnUiThread { viewModel.onWakeWordDetected() }
    }
porcupineManager.start()

Wake word в фоновом режиме на Android требует ForegroundService с уведомлением. Без него система убьёт процесс.

Управление контекстным окном

GPT-4o поддерживает 128K токенов, но слать всю историю разговора в каждом запросе — это деньги и задержка. Типичная экономия при правильной настройке достигает 40% затрат на API, что при среднем объёме 50 000 запросов в месяц даёт существенную экономию.

Методы управления контекстом

Для большинства мобильных ассистентов достаточно rolling window. Вот как его настроить шаг за шагом:

1. Определите размер окна (обычно 15–20 сообщений).
2. Храните историю в массиве conversationHistory.
3. При каждом запросе передавайте последние N сообщений.
4. При превышении лимита удаляйте самые старые сообщения.

Как уменьшить задержку TTS?

Стриминг TTS — ключ к низкой задержке (менее 300 мс). OpenAI TTS поддерживает стриминг: ответ приходит чанками audio/mpeg, клиент начинает воспроизводить до получения полного аудио.

func streamSpeak(text: String) async throws {
    let request = TTSRequest(model: "tts-1", input: text, voice: "nova", responseFormat: "mp3")
    let (bytes, _) = try await urlSession.bytes(for: ttsURLRequest(request))

    var audioData = Data()
    for try await byte in bytes {
        audioData.append(byte)
        if audioData.count > 8192 {
            try audioPlayer.enqueueChunk(audioData)
            audioData = Data()
        }
    }
}

Для часто повторяющихся фраз («Я слушаю», «Подождите», «Не понял») — кэшируем заранее синтезированное аудио локально. Это убирает задержку на типовые реплики.

Типичные ошибки и как их избежать

• Отсутствие state machine — приводит к гонкам в 90% случаев.
• Игнорирование barge-in — пользователь не может прервать ответ, UX страдает.
• Отправка всей истории в LLM — задержка до 6 секунд и перерасход 40% токенов.
• Смешивание VAD и TTS без приоритетов — эхо вызывает ложные детекции в 30% случаев.
• Отсутствие кэша TTS — каждая фраза синтезируется заново, увеличивая задержку.

Что входит в работу

• Архитектурная документация: диаграммы состояний, аудиопотоков, выбор стека.
• Исходный код с комментариями, тесты (unit и integration).
• Интеграция с вашим бэкендом: REST/GraphQL, WebSocket, push-уведомления (APNs/FCM).
• Настройка CI/CD для App Store и Google Play.
• Обучение команды: воркшоп по поддержке и доработке ассистента.
• Техническая поддержка: 2 недели после релиза для фикса багов.

Процесс работы

1. Аналитика: аудит текущего решения (если есть), определение сценариев.
2. Проектирование: разработка state machine, выбор стека (STT, LLM, TTS).
3. Реализация: интеграция VAD, barge-in, управления контекстом, фонового режима.
4. Тестирование: нагрузочное тестирование, проверка задержек и ложных срабатываний.
5. Деплой: публикация в App Store / Google Play, настройка API-ключей.

Сроки

MVP с Push-to-Talk, Whisper STT, GPT-4o, OpenAI TTS — от 2 до 3 недель на одну платформу. Полноценный ассистент с wake word, barge-in, стримингом TTS, управлением контекстом и фоновым режимом — от 6 до 10 недель.

Мы гарантируем стабильную работу ассистента благодаря сертифицированным инженерам и опыту внедрения в production. Свяжитесь с нами для оценки вашего проекта. Закажите аудит текущего решения — выявим узкие места и предложим план оптимизации.

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).