Інтеграція Kandinsky для генерації зображень з російськомовним текстом

Інтеграція Kandinsky (Сбер) для генерації зображень

Замовник з e-commerce: потрібно генерувати зображення товарів з російськомовним текстом на банерах. Англійські моделі (SDXL, DALL-E) видають безглузді написи — кирилиця перетворюється на ієрогліфи. Навіть після тонкого донавчання на російських даних західні моделі часто плутають літери або генерують нечитабельний текст. Kandinsky від Сбера вирішує цю проблему нативно: його CLIP-модель навчена на російськомовних текстах, тому промпти на кшталт «червоний валянок з візерунками» обробляються без перекладу. Модель розуміє культурні контексти — від «казки Пушкіна» до «радянської мозаїки». Ми інтегруємо Kandinsky двома способами: через хмарне API Сбера (FusionBrain) або розгортаємо модель на ваших GPU з використанням PyTorch та diffusers. Ви отримуєте суверенітет даних у self-hosted варіанті та економію на GPU-годинах при високих навантаженнях.

Відразу уточню: якщо ваш проєкт орієнтований на російськомовну аудиторію, вибір на користь Kandinsky дає перевагу за швидкістю та якістю. Західні моделі потребують додаткової передобробки промптів — перекладача, адаптації стилів. Kandinsky працює з коробки. При цьому self-hosted версія забезпечує суверенітет даних: зображення не залишають ваш контур, що критично для банків, ритейлу та держсектора.

Чому Kandinsky кращий за західні моделі для російськомовних проєктів?

Kandinsky виграє за рахунок нативної русифікації: немає втрати сенсу при перекладі промпту, культурні референси (казки, топоніміка, радянський дизайн) розпізнаються коректно. Self-hosted версія забезпечує повний суверенітет даних — зображення не залишають ваш контур. А для специфічно російських концепцій якість генерації вища, ніж в англоцентричних моделей, навіть після донавчання.

Які варіанти інтеграції Kandinsky існують?

Вибір варіанту залежить від навантаження, вимог до latency та бюджету. Нижче — порівняння ключових параметрів.

Kandinsky 2.2: стабільна версія, оптимізована для інференсу. Kandinsky 3: покращена якість, підтримка 1024x1024, але потребує більше VRAM. Рекомендуємо 3 для нових проєктів, якщо дозволяє обладнання.

API Сбера

Використовуємо офіційний API FusionBrain. Нижче — робочий клієнт на Python з асинхронною polling-логікою.

import httpx
import base64
import asyncio

class KandinskyClient:
    def __init__(self, api_key: str, secret_key: str):
        self.api_key = api_key
        self.secret_key = secret_key
        self.base_url = "https://api-key.fusionbrain.ai/key/api/v1"

    async def generate(
        self,
        prompt: str,
        width: int = 1024,
        height: int = 1024,
        num_images: int = 1,
        style: str = "DEFAULT"  # DEFAULT, KANDINSKY, UHD, ANIME, DIGITAL_ART
    ) -> list[bytes]:
        # Отримуємо список моделей
        async with httpx.AsyncClient() as client:
            models_resp = await client.get(
                f"{self.base_url}/models",
                headers={"X-Key": f"Key {self.api_key}", "X-Secret": f"Secret {self.secret_key}"}
            )
            model_id = models_resp.json()[0]["id"]

            # Запускаємо генерацію
            params = {
                "type": "GENERATE",
                "numImages": num_images,
                "width": width,
                "height": height,
                "generateParams": {"query": prompt},
                "style": style
            }
            gen_resp = await client.post(
                f"{self.base_url}/text2image/run",
                headers={"X-Key": f"Key {self.api_key}", "X-Secret": f"Secret {self.secret_key}"},
                data={"model_id": str(model_id), "params": json.dumps(params)}
            )
            uuid = gen_resp.json()["uuid"]

            # Очікуємо результат
            return await self.poll_result(client, uuid)

    async def poll_result(self, client, uuid: str, max_attempts: int = 30) -> list[bytes]:
        headers = {"X-Key": f"Key {self.api_key}", "X-Secret": f"Secret {self.secret_key}"}
        for _ in range(max_attempts):
            await asyncio.sleep(2)
            resp = await client.get(f"{self.base_url}/text2image/status/{uuid}", headers=headers)
            data = resp.json()
            if data["status"] == "DONE":
                return [base64.b64decode(img) for img in data["images"]]
        raise TimeoutError("Generation timeout")"}

Self-hosted через Hugging Face

Розгортаємо Kandinsky 2.2 на вашому GPU-сервері. Підходить, якщо потрібно генерувати сотні зображень за хвилину і тримати дані всередині периметру. У production використовуємо Triton Inference Server для оптимізації інференсу, vLLM для управління пам'яттю, MLflow для логування метрик.

from diffusers import KandinskyV22Pipeline, KandinskyV22PriorPipeline
import torch

prior = KandinskyV22PriorPipeline.from_pretrained(
    "kandinsky-community/kandinsky-2-2-prior",
    torch_dtype=torch.float16
).to("cuda")

pipeline = KandinskyV22Pipeline.from_pretrained(
    "kandinsky-community/kandinsky-2-2-decoder",
    torch_dtype=torch.float16
).to("cuda")

def generate_kandinsky(prompt: str, negative_prompt: str = "") -> bytes:
    # Prior: текст → ембеддінги
    image_embeds, negative_image_embeds = prior(
        prompt,
        negative_prompt=negative_prompt
    ).to_tuple()

    # Decoder: ембеддінги → зображення
    image = pipeline(
        image_embeds=image_embeds,
        negative_image_embeds=negative_image_embeds,
        height=768,
        width=768,
        num_inference_steps=25
    ).images[0]

    import io
    buf = io.BytesIO()
    image.save(buf, format="PNG")
    return buf.getvalue()

Як вибрати між API та self-hosted?

Якщо потрібно швидко протестувати гіпотезу або навантаження невелике — API Сбера запускається за 1-2 дні. Для production з високим обсягом генерацій (500+ зображень на годину) і суворими вимогами до latency обирайте self-hosted. Self-hosted потребує GPU з 16+ GB VRAM (наприклад, NVIDIA A10G або A100). Вартість розгортання розраховується індивідуально, але економія на GPU-годинах при великих обсягах може бути суттєвою порівняно з хмарним API. Не впевнені у виборі? Зв'яжіться з нами, ми допоможемо визначитися.

Процес роботи під ключ

Наші інженери мають досвід впровадження Kandinsky у production — понад 10 успішних проєктів. Інтеграція проходить за стандартним пайплайном:

1. Аналітика: вивчаємо ваші сценарії (розміри, стилі, навантаження).
2. Проектування: обираємо варіант (API/self-hosted), проектуємо архітектуру.
3. Реалізація: пишемо інтеграційний код, адаптуємо параметри генерації.
4. Тестування: перевіряємо якість на реальних кейсах, вимірюємо latency.
5. Деплой: розгортаємо у вашу інфраструктуру, налаштовуємо моніторинг.

Що входить в роботу

• Налаштування API або деплой self-hosted моделі.
• Написання клієнтської бібліотеки на Python.
• Інтеграція з вашим бекендом (CI/CD, черги, кешування).
• Документація (OpenAPI, README).
• Навчання команди (1-2 сесії).
• Технічна підтримка 1 місяць.

Терміни інтеграції

Типові помилки при роботі з Kandinsky

• Неправильний параметр style: якщо не вказати, модель використовує DEFAULT, який може не підходити для ваших завдань. Для фотореалістичних зображень вкажіть UHD.
• Великі розміри через API: розмір більше 1536 призводить до помилки 400. Використовуйте клієнтську ресайзелку.
• Self-hosted: несумісність версій diffusers. Kandinsky 2.2 потребує diffusers >= 0.21.0. Перевірте версію в requirements.txt.
• Обмеження за кількістю запитів: API має rate limit (за замовчуванням 10 запитів/сек). Налаштуйте чергу або переходьте на self-hosted.

Якщо ви зіткнулися з цими проблемами — зв'яжіться з нами, ми допоможемо їх вирішити.

Ми беремо на себе повний цикл: від вибору моделі до передачі готового сервісу в експлуатацію. У фіналі ви отримуєте робочий endpoint, документацію та навчену команду. Гарантуємо якість генерації — порівнюємо результати з вашими еталонами до підписання акту.

Зв'яжіться з нами — оцінимо проєкт за 1 день. Досвід понад 5 років в інтеграції нейромереж у production. Отримайте консультацію з інтеграції Kandinsky.