AI-генерація субтитрів у мобільному додатку

Автоматичні субтитри до відео — задача, з якою стикаються розробники додатків для соціальних мереж, освітніх платформ і сервісів відеомонтажу. Користувачі хочуть швидко отримувати точні субтитри, а не вводити їх вручну. Ми реалізуємо генерацію субтитрів на основі Whisper від OpenAI, але не обмежуємося простим викликом API. Потрібно правильно витягти аудіо з відео, синхронізувати таймкоди до мілісекунд, відрендерити субтитри (як overlay, так і вбудовані), а також надати редактор для виправлення помилок розпізнавання. Наш 5-річний досвід у мобільній розробці (30+ проектів) гарантує, що рішення буде працювати стабільно і швидко, а також впишеться у ваш UI/UX. Зниження витрат на транскрипцію та прискорення виходу додатка на ринок — ось результат.

Як вибрати між on-device та API транскрипцією?

Whisper через OpenAI API — найпростіший шлях. Відправляємо аудіо (до 25 MB), отримуємо JSON з segments (таймкоди + текст):

POST https://api.openai.com/v1/audio/transcriptions
model=whisper-1&response_format=verbose_json&timestamp_granularities[]=word

verbose_json з word-гранулярністю дає таймкод кожного слова — потрібно для синхронізації субтитрів. Час обробки: ~10-секундний кліп — 2–4 сек, хвилина відео — 10–20 сек.

Whisper on-device — реально для iOS 16+ через WhisperKit (swift-transformers). Модель whisper-small — 244 MB, швидкість ~0.3× реального часу на iPhone 14 (тобто хвилина аудіо = 3 хвилини обробки). whisper-tiny — 77 MB, 0.7× реального часу, але точність помітно гірша. Для російської мови — гірше, ніж для англійської.

На Android: whisper.cpp через JNI, або openai-whisper-tflite — але це складніше в збірці. Простіше для більшості додатків — API.

Як витягти аудіо з відео на клієнті?

Перед відправкою в Whisper потрібно витягти аудіодоріжку — відправляти все відео надлишково:

// iOS: AVAssetExportSession для витягування аудіо
func extractAudio(from videoURL: URL) async throws -> URL {
    let asset = AVURLAsset(url: videoURL)
    guard let exportSession = AVAssetExportSession(
        asset: asset, presetName: AVAssetExportPresetAppleM4A
    ) else { throw SubtitleError.exportFailed }

    let outputURL = FileManager.default.temporaryDirectory
        .appendingPathComponent(UUID().uuidString + ".m4a")
    exportSession.outputURL = outputURL
    exportSession.outputFileType = .m4a
    await exportSession.export()
    return outputURL
}

m4a/mp3 в 3–5 разів менше оригінального відео — швидше завантажується і дешевше по API.

Сегменти субтитрів: обробка на клієнті

Whisper verbose_json повертає segments з start, end, text. Нарізаємо по 5–7 слів на субтитр для читабельності:

// Android: розбивка на субтитри
data class SubtitleCue(val start: Double, val end: Double, val text: String)

fun segmentsToSubtitles(words: List<WhisperWord>, maxWords: Int = 7): List<SubtitleCue> {
    val cues = mutableListOf<SubtitleCue>()
    var chunk = mutableListOf<WhisperWord>()

    for (word in words) {
        chunk.add(word)
        if (chunk.size >= maxWords || word.word.endsWith(".") || word.word.endsWith("!")) {
            cues.add(SubtitleCue(
                start = chunk.first().start,
                end = chunk.last().end,
                text = chunk.joinToString(" ") { it.word.trim() }
            ))
            chunk.clear()
        }
    }
    if (chunk.isNotEmpty()) {
        cues.add(SubtitleCue(chunk.first().start, chunk.last().end,
            chunk.joinToString(" ") { it.word.trim() }))
    }
    return cues
}

Рендеринг субтитрів: overlay чи вбудовані?

Overlay під час відтворення — UILabel/TextView поверх AVPlayerLayer/ExoPlayer. Оновлюємо текст по таймеру через player.currentTime(). Просто, не модифікує вихідний файл.

Вбудовані субтитри — FFmpeg subtitles фільтр, зберігає субтитри в пікселях відео. Постійно видні при будь-якому відтворенні:

ffmpeg -i input.mp4 -vf "subtitles=subs.srt:force_style='FontName=Arial,FontSize=20,PrimaryColour=&HFFFFFF,OutlineColour=&H000000,Bold=1'" output.mp4

Для Stories/Reels потрібні вбудовані субтитри — при шарінгу overlay загубиться. Для внутрішнього плеєра додатка — overlay достатній.

Редактор субтитрів

Часто користувач хоче виправити помилки транскрипції. Мінімальний редактор:

• Список SubtitleCue в RecyclerView/List
• Tap на елемент → TextField для редагування тексту
• Drag/resize для зсуву таймкодів
• Preview у відеоплеєрі з оновленими субтитрами в реальному часі

Зручний UX: при редагуванні тексту — автоматично коригувати кінець попереднього / початок наступного субтитру.

Експорт SRT/VTT

SRT — стандартний формат для експорту:

1
00:00:01,200 --> 00:00:03,450
Привіт, це тестовий текст

2
00:00:03,800 --> 00:00:06,100
Другий субтитр тут

На мобілі пишемо в FileManager.default.temporaryDirectory, шаримо через UIActivityViewController/FileProvider.

SRT і VTT — прості текстові формати з таймкодами. VTT підтримує стилі. Обидва широко підтримуються на всіх платформах.

OpenAI Whisper API — основа нашого рішення.

Як ми це робимо: кейс з освітньою платформою

На одному з проектів для освітньої платформи ми інтегрували Whisper API для автоматичної генерації субтитрів до відеолекцій. Основна проблема була в точності синхронізації для російської мови — on-device рішення давало занадто багато помилок. Ми обрали API, налаштували витягування аудіо через AVAssetExportSession (для iOS) і MediaExtractor (для Android), реалізували розбивку на субтитри по 5-7 слів та вбудований редактор. Результат: час обробки 10-хвилинного відео скоротився з 5 хвилин до 30 секунд, а вартість транскрипції знизилася на 40% за рахунок оптимізації стиснення аудіо.

Що входить в реалізацію

• Інтеграція Whisper API або on-device транскрипції
• Витягування аудіо з відео
• Розбивка на субтитри з таймкодами
• Вибір типу рендерингу (overlay або вбудовані)
• Вбудований редактор субтитрів
• Експорт в SRT/VTT
• Тестування та оптимізація продуктивності
• Документація та інструкція для користувача

Етапи реалізації: покроково

1. Аналіз — визначаємо вимоги до транскрипції (мова, точність, приватність), обираємо стек.
2. Проектування — архітектура модуля субтитрів, UX редактора.
3. Інтеграція — підключення Whisper API або on-device моделі, витягування аудіо.
4. Реалізація — розбивка на субтитри, рендеринг, редактор, експорт.
5. Тестування — перевірка точності синхронізації, продуктивності, чуйності інтерфейсу.
6. Деплой — публікація в сторах, налаштування моніторингу.

Терміни та вартість

Базова інтеграція з Whisper API та overlay плеєром — 3–4 дні. Повний функціонал з on-device транскрипцією, редактором та вбудованими субтитрами — 2–3 тижні. Вартість розраховується індивідуально, зв'яжіться з нами для консультації — оцінимо ваш проект протягом дня. Замовте аудит поточного рішення або отримайте безкоштовну консультацію.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.