Реалізація AI-генерації зображень (Kandinsky) у мобільному додатку

Впровадження генерування зображень з штучним інтелектом (Kandinsky) в мобільному додатку

Kandinsky — російська модель від Sber AI (KANDINSKY 3.1 на момент написання). Основна практична перевага для продуктів, які працюють з російськомовною аудиторією: нативне розуміння російських промптів без перекладу. «Захід сонця над березовим лісом» на Kandinsky працює так само, як англійські промпти працюють на західних моделях — без втрати якості при трансляції.

Доступні способи інтеграції

Fusionbrain API (api.fusionbrain.ai) — офіційний API від розробників Kandinsky. Безплатний рівень, REST, відносно стабільний. Більшість інтеграцій використовують це.

Replicate — Kandinsky 2.2 і 3 доступні як community models. Стабільний API, але може бути старша версія моделі.

HuggingFace Inference API — kandinsky-community/kandinsky-3. Достатньо для прототипів.

Для продакшену — Fusionbrain API з власним бекенд-проксі.

Fusionbrain API: особливості протоколу

API використовує двоетапну модель: спочатку створюєш task, потім опитуєш статус.

class KandinskyService(private val apiKey: String, private val secretKey: String) {

    // Крок 1: отримати ID моделі
    suspend fun getModelId(): String {
        val response = httpClient.get("https://api-key.fusionbrain.ai/key/api/v1/models") {
            header("X-Key", "Key $apiKey")
            header("X-Secret", "Secret $secretKey")
        }
        val models = response.body<List<FusionBrainModel>>()
        return models.first { it.name == "Kandinsky" }.id.toString()
    }

    // Крок 2: створити задачу генерування
    suspend fun createTask(modelId: String, prompt: String, width: Int = 1024, height: Int = 1024): String {
        val params = JSONObject().apply {
            put("type", "GENERATE")
            put("numImages", 1)
            put("width", width)
            put("height", height)
            put("generateParams", JSONObject().apply {
                put("query", prompt)
            })
        }

        // Multipart запит
        val requestBody = MultipartBody.Builder()
            .setType(MultipartBody.FORM)
            .addFormDataPart("model_id", modelId)
            .addFormDataPart(
                "params",
                "params.json",
                params.toString().toRequestBody("application/json".toMediaType())
            )
            .build()

        val response = OkHttpClient().newCall(
            Request.Builder()
                .url("https://api-key.fusionbrain.ai/key/api/v1/text2image/run")
                .header("X-Key", "Key $apiKey")
                .header("X-Secret", "Secret $secretKey")
                .post(requestBody)
                .build()
        ).execute()

        return JSONObject(response.body!!.string()).getString("uuid")
    }

    // Крок 3: polling
    suspend fun pollResult(taskUuid: String): Bitmap? {
        repeat(30) {
            delay(3000)
            val response = OkHttpClient().newCall(
                Request.Builder()
                    .url("https://api-key.fusionbrain.ai/key/api/v1/text2image/status/$taskUuid")
                    .header("X-Key", "Key $apiKey")
                    .header("X-Secret", "Secret $secretKey")
                    .get()
                    .build()
            ).execute()

            val json = JSONObject(response.body!!.string())
            if (json.getString("status") == "DONE") {
                val images = json.getJSONArray("images")
                val base64 = images.getString(0)
                val bytes = Base64.decode(base64, Base64.DEFAULT)
                return BitmapFactory.decodeByteArray(bytes, 0, bytes.size)
            }
        }
        return null
    }
}

Відповідь приходить як base64-рядок у полі images — не URL. Декодуєш у Bitmap / UIImage безпосередньо на клієнті. Зберігаєш у внутрішнє сховище, якщо потрібна історія.

Параметри генерування

Kandinsky підтримує:

• width / height: від 256 до 1024, кратно 64. Оптимально: 768x768 або 1024x1024
• style: DEFAULT, ANIME, PORTRAIT, NATURE, REALISTIC (доступність залежить від версії моделі)
• negativePromptDecoder: негативний промпт — список того, чого не повинно бути

val params = JSONObject().apply {
    put("type", "GENERATE")
    put("numImages", 1)
    put("width", 768)
    put("height", 1024)
    put("style", "PORTRAIT")
    put("generateParams", JSONObject().apply {
        put("query", "портрет молодої жінки в традиційному російському костюмі, детальний, реалізм")
    })
    put("negativePromptDecoder", "розмитість, артефакти, деформація, текст, водяний знак")
}

Російський промпт проти англійського

Kandinsky розуміє російський без деградації якості. Але на практиці для технічних описів (архітектура, механізми) англійський промпт дає більш точний результат — модель навчена на змішаному корпусі, технічні терміни краще представлені англійською. Для художніх, пейзажних, портретних сценаріїв — російський працює чудово.

Для максимальної якості — промпт на обох мовах (якщо UI дозволяє), Kandinsky обробить обидва.

Інтеграція через Replicate (альтернатива)

let replicateBody: [String: Any] = [
    "version": "ai-forever/kandinsky-3:...",
    "input": [
        "prompt": prompt,
        "negative_prompt": negativePrompt,
        "num_steps": 50,
        "guidance_scale": 4.0,
        "scheduler": "DDPMScheduler",
        "width": 1024,
        "height": 1024
    ]
]

Replicate забезпечує більш передбачуване час відповіді (8–20 сек), ніж Fusionbrain у пікові години.

Типові помилки

FAIL статус без пояснень від Fusionbrain — звичайно промпт порушує content policy або надто короткий (менше 3 слів). Мінімальний промпт для стабільної роботи — 5–10 слів опису.

Декодування base64 на основному потоці — блокування UI. Завжди фоновий потік: DispatchQueue.global().async (iOS) або Dispatchers.Default (Android).

Терміни

Базова інтеграція Fusionbrain API з UI — 3–4 дні. Стилі, історія генерування, збереження в галерею, обробка помилок content policy — 8–12 днів.