Реалізація бота з генерацією зображень (AI) у мобільному застосунку

Реалізація бота з генерацією зображень (AI) у мобільному застосунку

Ми розробляємо ботів з генерацією зображень на мобільних платформах. Інтегруємо серверні рішення DALL-E 3, Stable Diffusion, Ideogram — підбираємо оптимальну модель під завдання вашого проєкту. Маємо 5 років досвіду в мобільній розробці та 20+ реалізованих AI-проєктів. Генерація зображень на мобільному — це завжди серверне завдання. Stable Diffusion на пристрої технічно можлива на сучасних iPhone (Core ML) і флагманських Android, але час генерації 30–60 секунд і перегрів роблять це непридатним для продакшн-застосунку. Тому ми працюємо через хмарні API, забезпечуючи стабільність і швидкість. Клієнти часто стикаються з проблемою вибору моделі: DALL-E 3 вимагає підписки, Stable Diffusion — складний у налаштуванні. Ми допомагаємо підібрати оптимальний варіант під конкретні завдання.

Як вибрати модель для генерації?

Згідно з документацією OpenAI, DALL-E 3 забезпечує найкраще розуміння складних промптів. DALL-E 3 добре розуміє складні текстові описи, строго слідує промпту. Якість висока, особливо для реалістичних сцен та ілюстрацій. Обмеження: не можна робити портрети реальних людей, сувора модерація. Stable Diffusion через Replicate / Modal / Runpod — open-source модель, що запускається на орендованих GPU. Величезна гнучкість: LoRA-адаптери для стилізації, ControlNet для контролю композиції, інпейнтинг. Моделі: SDXL, Flux.1, SD 3.5. Midjourney API — офіційного немає, тільки unofficial wrapper або Discord-інтеграція. Не рекомендуємо для продакшну через нестабільність. Ideogram / Recraft — хороша робота з текстом на зображеннях (логотипи, постери), у DALL-E і SD з цим традиційно проблеми.

Чому асинхронна генерація обов'язкова?

Генерація займає 3–15 секунд залежно від моделі та складності. Мобільний клієнт не може тримати HTTP-з'єднання відкритим — таймаут мережі або перемикання в фон перерве запит. Правильний паттерн: polling або WebSocket.

Polling

POST /generate → { "task_id": "abc123", "status": "queued" } GET /tasks/abc123 → { "status": "processing", "progress": 40 } GET /tasks/abc123 → { "status": "done", "image_url": "..." } 

WebSocket / SSE: сервер пушить оновлення по мірі готовності. На Android — WorkManager для фонових запитів з polling, щоб генерація продовжувалася навіть якщо користувач згорнув застосунок. На iOS — URLSession background configuration.

// iOS: фонова завантаження результату let config = URLSessionConfiguration.background(withIdentifier: "image.generation") let session = URLSession(configuration: config, delegate: self, delegateQueue: nil) func pollTaskStatus(taskId: String) { var components = URLComponents(string: "\(baseURL)/tasks/\(taskId)")! let task = session.dataTask(with: components.url!) { [weak self] data, _, _ in guard let result = try? JSONDecoder().decode(GenerationTask.self, from: data!) else { return } if result.status == "done" { self?.downloadAndDisplay(url: result.imageUrl!) } else { DispatchQueue.main.asyncAfter(deadline: .now() + 2) { self?.pollTaskStatus(taskId: taskId) } } } task.resume() } 

Як працює промпт-інжиніринг у мобільному боті?

Користувачі мобільного застосунку пишуть короткі запити: «намалюй кота», «логотип для кав'ярні». Це погані промпти для генерації. Бот повинен збагачувати їх перед відправкою в модель. Два підходи:

LLM-розширення промпта. GPT-4o mini бере користувацький запит і перетворює на розгорнутий промпт з деталями стилю, освітлення, настрою.

PROMPT_ENHANCER = """ Ти допомагаєш покращувати промпти для генерації зображень. Візьми короткий опис і розшир його до детального промпта. Додай стиль, освітлення, настрій. Відповідь тільки англійською — це мова Stable Diffusion. Максимум 200 слів. """ 

Параметричний UI. Користувач вибирає стиль (реалізм / аніме / олія / акварель) через кнопки, потім пише опис. Стиль додається до промпта програмно. Простіше, передбачуваніше.

Negative prompt і модерація

Для Stable Diffusion negative prompt знижує артефакти. Базовий: blurry, low quality, deformed, extra limbs, watermark. Для дитячих/сімейних застосунків додаємо фільтрацію контенту в negative prompt і safety checker на серверній стороні. Перед відправкою користувацького запиту — OpenAI Moderation API або власний фільтр. Відхилені запити логуються.

UI для генерації

Процес генерації має бути візуально цікавим, а не просто спіннером:

• Анімований placeholder у вигляді progressbar або shimmer ефекту
• Показ етапів: «Аналізую запит → Генерую → Обробляю»
• Після готовності — плавна поява зображення (fade in / reveal animation)

Результат: кнопки «Завантажити», «Поділитися», «Згенерувати ще», «Змінити промпт». Галерея попередніх генерацій в рамках сесії.

Варіації та редагування

DALL-E 3 підтримує inpainting — заміну частини зображення. Stable Diffusion через img2img дозволяє ітерувати по базовому зображенню. Для mobile UI це означає інструмент виділення області (маска) поверх зображення — аналог гумки.

Процес роботи і що входить

1. Аналіз і вибір моделі — підбираємо генеративне API під завдання та стиль застосунку.
2. Проектування архітектури — серверна черга завдань, асинхронна генерація, зберігання результатів.
3. Реалізація промпт-інжинірингу — LLM-розширення або параметричний UI.
4. Розробка мобільного UI — анімація прогресу, галерея, інструменти редагування.
5. Тестування і модерація — перевірка з реальними користувацькими запитами, налаштування фільтрів.
6. Документація і навчання — передаємо вихідні коди, інструкції з експлуатації, навчаємо вашу команду.

Орієнтовні терміни: базовий бот з DALL-E 3 / Replicate API — від 1 тижня. З варіацією стилів, img2img, промпт-інжинірингом і галереєю — 3–4 тижні. Точні терміни та вартість розраховуємо індивідуально після аналізу вашого проєкту.

Зв'яжіться з нами для оцінки вашого проєкту. Замовте розробку під ключ — наші інженери гарантують стабільну роботу та дотримання App Store Review Guidelines / Google Play політик. Отримайте консультацію з інтеграції AI-генерації у ваш мобільний застосунок.