Реалізація AI-генерації зображень (DALL-E) у мобільному додатку

Впровадження генерування зображень з штучним інтелектом (DALL-E) в мобільному додатку

DALL-E 3 через OpenAI API — найпростіший постачальник для інтеграції генерування зображень. Один POST-запит, URL у відповіді, завантаження зображення. Складність полягає не в самому API, а в UX: генерування займає 5–15 секунд, і цей час потрібно використати розумно. Плюс prompt engineering, що безпосередньо впливає на якість результату.

API: базова інтеграція

struct DALLERequest: Codable {
    let model: String
    let prompt: String
    let n: Int
    let size: String
    let quality: String
    let style: String
    let responseFormat: String

    enum CodingKeys: String, CodingKey {
        case model, prompt, n, size, quality, style
        case responseFormat = "response_format"
    }
}

func generate(prompt: String) async throws -> URL {
    let request = DALLERequest(
        model: "dall-e-3",
        prompt: prompt,
        n: 1,
        size: "1024x1024",
        quality: "standard",
        style: "vivid",
        responseFormat: "url"
    )

    var urlRequest = URLRequest(url: URL(string: "https://api.openai.com/v1/images/generations")!)
    urlRequest.httpMethod = "POST"
    urlRequest.setValue("Bearer \(apiKey)", forHTTPHeaderField: "Authorization")
    urlRequest.setValue("application/json", forHTTPHeaderField: "Content-Type")
    urlRequest.httpBody = try JSONEncoder().encode(request)

    let (data, _) = try await URLSession.shared.data(for: urlRequest)
    let response = try JSONDecoder().decode(ImageGenerationResponse.self, from: data)
    return URL(string: response.data[0].url)!
}

Параметри DALL-E 3:

• size: 1024x1024, 1792x1024 (альбомна орієнтація), 1024x1792 (портретна орієнтація)
• quality: standard (швидше, дешевше) або hd (детальніше)
• style: vivid (насичений, контрастний) або natural (фотореалістичний)
• response_format: url (посилання дійсне 60 хвилин) або b64_json (base64 одразу)

DALL-E 3 не підтримує n > 1 — лише одне зображення за запит.

UX під час генерування

5–15 секунд очікування без зворотного зв'язку — погана UX. Варіанти:

Анімований плейсхолдер — skeleton або анімований градієнт на місці майбутнього зображення. Користувач розуміє, що щось відбувається.

Смуга прогресу з етапами — не можна показати реальний прогрес (API не передає потік), але можна показати анімований псевдопрогрес: «Аналізуємо запит → Генеруємо → Завершуємо». Візуально ефективно.

Попередній перегляд промпту — під час генерування показуємо переробленій промпт від DALL-E. API повертає revised_prompt — фактичний опис, який використала модель. Це цікаво для користувача і заповнює час очікування.

// revised_prompt приходить у відповіді
let revisedPrompt = response.data[0].revisedPrompt
// Показуємо його в UI, поки зображення завантажується
promptLabel.text = revisedPrompt

Кешування та зберігання

Згенеровані зображення необхідно зберігати. URL-адреси з відповіді живуть 60 хвилин — після цього 404. Завантажуй і кешуй одразу після генерування.

// Android: завантаження та збереження через Coil
suspend fun downloadAndCache(imageUrl: String, localKey: String): File {
    val request = ImageRequest.Builder(context)
        .data(imageUrl)
        .diskCacheKey(localKey)
        .build()
    val result = imageLoader.execute(request)
    // Coil автоматично зберігає на диск
    return File(context.cacheDir, "dalle_${localKey}.jpg")
}

Для довгострокового зберігання — зберігай у MediaStore (Android) або Photos (iOS) на запит користувача. Автоматичне збереження без явної дії користувача порушує директиви App Store.

Prompt engineering для мобільного UI

Якість DALL-E 3 істотно залежить від промпту. Для користувацьких додатків:

Обгортка системного промпту — перед відправкою на API додай користувацький текст стандартними інструкціями:

let enhancedPrompt = """
\(userPrompt)

Style: high quality, detailed, professional photography or illustration.
Avoid text, watermarks, blurry elements.
"""

DALL-E 3 сам переписує промпт (revised_prompt), але завдання стилю допомагає уникнути випадкових варіацій.

Політика контенту. DALL-E 3 відхиляє промпти з насильством, оголеністю, реальними людьми за іменами. Відповідь — 400 з code: content_policy_violation. На клієнті — показуй користувачам зрозуміле повідомлення, не технічний код помилки.

Варіації та редагування

DALL-E 2 (не 3) підтримує:

• /v1/images/variations — варіації існуючого зображення
• /v1/images/edits — редагування з маскою (inpainting)

DALL-E 3 цих ендпоінтів не має. Якщо потрібне редагування — або DALL-E 2, або Stable Diffusion через Replicate/FAL.

Терміни

Генерування з базовим UI (текстове поле + кнопка + відображення результату) — 2–3 дні. Повноцінна галерея з історією, збереженням, спільним доступом, варіаціями — 8–12 днів.