Мультимодальний AI-ввід (текст+аудіо) у мобільному додатку

Як влаштований мультимодальний ввід

Ми часто бачимо, як замовники хочуть додати в додаток голосовий ввід з AI-відповіддю, але стикаються з неочевидними технічними обмеженнями. Наприклад, типова проблема — користувач диктує повідомлення, але модель не розуміє контекст, тому що аудіо обрізане або частота дискретизації непідходяща. Розповімо, як ми вирішуємо такі завдання на iOS та Android, використовуючи Whisper API та мультимодальні моделі (GPT-4o Audio, Gemini 1.5 Pro). Наш досвід показує, що правильний вибір стеку скорочує час розробки на 30%. Замовте консультацію — ми допоможемо обрати оптимальний шлях.

Два архітектурних шляхи

Шлях 1: STT + LLM. Whisper API або аналоги перетворюють аудіо в текст, текст йде в messages[]. Працює з будь-якою LLM, дешево, передбачувано. Проблема — подвійна затримка: спочатку чекаємо транскрипцію (1–3 с для 30-секундного фрагмента), потім відповідь моделі. Користувач дивиться в екран 5–10 секунд.

Шлях 2: нативний аудіо-ввід. GPT-4o Audio Preview, Gemini 1.5 Pro приймають input_audio прямо в content[]. Затримка менша, модель «чує» інтонацію, паузи, акцент. Обмеження — формат: OpenAI вимагає PCM16 або MP3, Gemini — FLAC, MP3, WAV, OGG. На пристрої потрібна конвертація.

Нативний аудіо-ввід швидший за STT+LLM у 2-3 рази за часом відгуку для живого діалогу.

Як вибрати між STT+LLM та нативним аудіо-вводом?

Якщо додатку потрібен швидкий голосовий асистент з інтонаціями — вибирайте нативний аудіо-ввід. Для транскрипції довгих записів або коли модель ще не підтримує аудіо — STT+LLM. Ми допомагаємо визначитися на етапі аудиту.

Як записати аудіо без багів?

На Android

Захоплення через MediaRecorder просте, але AudioRecord потрібен, коли вимагається PCM в реальному часі (стрімінг до Whisper через WebSocket). MediaRecorder зберігає у файл — зручно для коротких голосових, незручно для живого потоку. Типовий краш: IllegalStateException: start called in invalid state — це виклик start() до prepare() або повторний start() без reset(). Не забувайте звільняти в onPause(), інакше інші додатки втратять мікрофон.

На iOS

AVAudioEngine для PCM-стрімінгу, AVAudioRecorder для файлів. Проблема, яку всі зустрічають — AVAudioSession конфігурація. Згідно з Apple Developer Documentation, якщо не виставити .record категорію до старту, запис або тихий, або йде через динамік замість мікрофона. А з iOS 17 потрібен NSMicrophoneUsageDescription навіть для симулятора. Формат за замовчуванням у AVAudioRecorder — CAF. Whisper його не приймає. Потрібно або конвертувати через AVAssetExportSession (асинхронно, додає затримку), або одразу налаштувати AVAudioRecorder на M4A/FLAC.

Реалізація стримінгового STT

Для живої розшифровки (користувач говорить — текст з'являється на екрані) використовуємо WebSocket до Whisper Streaming або Deepgram. На Android:

val audioRecord = AudioRecord(
    MediaRecorder.AudioSource.MIC,
    16000, // 16kHz — оптимум для Whisper
    AudioFormat.CHANNEL_IN_MONO,
    AudioFormat.ENCODING_PCM_16BIT,
    bufferSize
)
// чанки по 100мс → WebSocket → partial transcripts

Частота дискретизації 16 кГц достатня для мовлення і вдвічі менше даних, ніж 44.1 кГц. На iOS аналог — AVAudioEngine з installTap(onBus:).

Важно: WebSocket потрібно перевідкривати при втраті мережі. OkHttp WebSocket на Android має колбек onFailure — реалізуйте exponential backoff з максимум 3 спробами, інакше користувач не зрозуміє, що з'єднання обірвалося.

Як передати аудіо-файл у мультимодальну модель?

// iOS — відправка аудіо в GPT-4o Audio
let audioData = try Data(contentsOf: recordingURL)
let b64 = audioData.base64EncodedString()

let payload: [String: Any] = [
    "model": "gpt-4o-audio-preview",
    "messages": [[
        "role": "user",
        "content": [
            ["type": "text", "text": userText],
            ["type": "input_audio", "input_audio": [
                "data": b64,
                "format": "mp3"
            ]]
        ]
    ]]
]

Ліміт на розмір аудіо у OpenAI — 25 МБ. 30-хвилинний запис у MP3 128kbps займає ~28 МБ — не влізає. Для довгого контенту потрібна нарізка на чанки по 10–15 хвилин або попередній Whisper для транскрипції. Деталі — в OpenAI Audio API.

Що входить в роботу з інтеграції?

• Аудит поточного стеку та цільових платформ
• Вибір архітектурного шляху (STT+LLM або нативний аудіо-ввід)
• Розробка захоплення аудіо з урахуванням платформенних особливостей
• Інтеграція STT або мультимодального API з обробкою помилок
• UI для часткових транскрипцій та стану запису
• Документація та інструкції з доопрацювання
• Тестування на реальних пристроях з різними мікрофонами

Покрокова інструкція для MVP

1. Виберіть архітектурний шлях (STT+LLM або нативний аудіо-ввід) під сценарій.
2. Реалізуйте захоплення аудіо з урахуванням платформенних особливостей (категорії сесії, формат, стримінг).
3. Інтегруйте STT або мультимодальний API з обробкою помилок та перевідкриттям з'єднання.
4. Додайте UI для відображення часткових транскрипцій та стану запису.
5. Протестуйте на реальних пристроях з різними мікрофонами та рівнями шуму.

Етапи та терміни

Орієнтовні терміни: MVP з записом та Whisper — від 1 до 2 тижнів. Повна реалізація зі стримінгом, нативним аудіо-вводом та обробкою довгих записів — від 3 до 5 тижнів.

Чому варто довірити це нам?

Більше 5 років розробляємо мобільні додатки з AI-функціями. Виконали понад 50 проектів з голосовими та мультимодальними рішеннями. Маємо досвід інтеграції Whisper, Deepgram, GPT-4o Audio. Гарантуємо дотримання App Store Review Guidelines та Google Play Політик. Надаємо сертифікат відповідності (якщо потрібно).

Зв'яжіться з нами для консультації — ми проаналізуємо ваш додаток і запропонуємо оптимальне рішення. Замовте оцінку проекту, щоб отримати детальний план робіт та терміни.

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.