Інтеграція AI TTS з вибором голосу в iOS та Android

Уявіть: користувач натискає кнопку відтворення у вашому додатку для аудіокниг. Між натисканням і першим звуком проходить 3–4 секунди. Це не просто затримка — це втрата користувача. Ми вирішували цю проблему в проєкті аудіогіда: перейшли на ElevenLabs з WebSocket-стрімингом та дисковим кешем, знизивши час першої відповіді з 2,8 с до 350 мс. Різниця у 8 разів — і користувачі залишаються. У цій статті я розповім, як інтегрувати AI TTS з нульовими затримками, використовуючи стріминг, кешування та правильний вибір провайдера.

Як вибрати AI TTS провайдера для вашого проєкту?

Вибір провайдера визначає якість та затримку. Порівняємо основних гравців:

Для російськомовного проєкту рекомендуємо Yandex SpeechKit — найкращі голоси та підтримка SSML. Для глобального — OpenAI TLS з балансом якості та ціни. Yandex SpeechKit, у свою чергу, забезпечує на 30% менший час початку відтворення порівняно з OpenAI при російському тексті.

Чому стріминг критичний для UX?

Без стрімінгу користувач чекає повного завершення синтезу. 500 символів на tts-1-hd генеруються ~2 секунди — це вічність у мобільному інтерфейсі. Зі стрімингом перші слова звучать через 300–500 мс. Різниця в 4–6 разів — саме вона відділяє «робота» від «живого» спілкування. Стріминг окупається за рахунок утримання користувачів.

Як інтегрувати стріминг: покрокова інструкція

1. Виберіть провайдера та отримайте API-ключ.
2. Налаштуйте стрімінгове відтворення: на iOS використовуйте AVPlayer з кастомним AVAssetResourceLoaderDelegate, на Android — ExoPlayer з кастомним DataSource для POST-запитів.
3. Реалізуйте дисковий кеш з ключем sha256, щоб уникнути повторного синтезу.
4. Додайте UI для вибору голосу з попереднім прослуховуванням.
5. Налаштуйте fallback на системний TTS при відсутності мережі.

iOS: стріминг через AVPlayer

class StreamingTTSPlayer {
    private var player: AVPlayer?
    private var playerItem: AVPlayerItem?

    func speak(text: String, voice: String = "nova") async throws {
        var request = URLRequest(url: URL(string: "https://api.openai.com/v1/audio/speech")!)
        request.httpMethod = "POST"
        request.setValue("Bearer \(apiKey)", forHTTPHeaderField: "Authorization")
        request.setValue("application/json", forHTTPHeaderField: "Content-Type")

        let body = ["model": "tts-1", "input": text, "voice": voice, "response_format": "mp3"]
        request.httpBody = try JSONEncoder().encode(body)

        // AVPlayer вміє стрімити з HTTP-відповіді через resourceLoader
        // Використовуємо кастомний AVAssetResourceLoaderDelegate
        let asset = StreamingAudioAsset(request: request)
        playerItem = AVPlayerItem(asset: asset)
        player = AVPlayer(playerItem: playerItem)
        player?.play()
    }
}

Android: ExoPlayer зі стрімингом

class StreamingTTSPlayer(private val context: Context) {
    private val exoPlayer = ExoPlayer.Builder(context).build()

    fun speak(text: String, voice: String = "nova") {
        val url = "https://api.openai.com/v1/audio/speech"
        // ExoPlayer підтримує стріминг нативно через MediaSource
        val dataSourceFactory = DefaultHttpDataSource.Factory().apply {
            setDefaultRequestProperties(mapOf(
                "Authorization" to "Bearer $apiKey",
                "Content-Type" to "application/json"
            ))
        }
        // Для POST-запитів використовуємо кастомний DataSource
        val mediaItem = MediaItem.fromUri(buildCachedUri(text, voice))
        exoPlayer.setMediaItem(mediaItem)
        exoPlayer.prepare()
        exoPlayer.play()
    }
}

ExoPlayer нативно підтримує прогресивний стріминг MP3/AAC. Для POST-запитів потрібен кастомний DataSource, який робить POST і віддає InputStream — ExoPlayer сам буферизує і починає відтворення після перших кількох секунд аудіо.

Як уникнути подвійних витрат на синтез за допомогою кешування?

TTS — дорогий. Одна і та ж фраза не повинна синтезуватися двічі. Використовуємо дисковий кеш з ключем sha256:

class TTSCache(private val cacheDir: File) {
    fun getKey(text: String, voice: String): String =
        MessageDigest.getInstance("SHA-256")
            .digest("$text|$voice".toByteArray())
            .joinToString("") { "%02x".format(it) }

    fun get(key: String): File? {
        val file = File(cacheDir, "$key.mp3")
        return if (file.exists()) file else null
    }

    fun put(key: String, data: ByteArray) {
        File(cacheDir, "$key.mp3").writeBytes(data)
    }
}

TTL кешу — 30 днів для статичного контенту (UI-фрази, навчальний текст), без TTL для користувацького. Обмеження розміру кешу — 50–100 МБ, LRU eviction. Кешування знижує витрати на API вдвічі при високій повторюваності запитів.

Порівняння стратегій кешування:

Коли варто використовувати SSML?

SSML стане в нагоді, коли потрібен точний контроль вимови: паузи між реченнями, наголоси в складних словах, зміна темпу мовлення. Це особливо важливо для голосових помічників та озвучення інструкцій. Yandex SpeechKit та Google TTS підтримують SSML, OpenAI TTS — ні. Ось приклад розмітки:

<speak>
  Ласкаво просимо до <emphasis level="strong">нашого сервісу</emphasis>.
  <break time="500ms"/>
  Ваше замовлення <say-as interpret-as="cardinal">12345</say-as> готове до видачі.
</speak>

Використовуйте <break>, <prosody rate="slow">, <say-as> для чисел і дат — це відрізняє природне звучання від роботизованого.

UI вибору голосу: як дати користувачеві почути

Користувач повинен почути голос перед вибором. Патерн:

1. Список голосів з ім'ям та коротким описом.
2. Кнопка «Прослухати» — відтворює 5-секундний приклад (кешуємо попередньо записані семпли, не синтезуємо на льоту).
3. Вибраний голос зберігається в UserDefaults / SharedPreferences.

Для ElevenLabs — /v1/voices повертає список доступних голосів з метаданими: preview_url для попереднього прослуховування. Не потрібно синтезувати — просто відтворюй готовий preview.

Що входить у роботу

• Аудит поточного проєкту та вибір провайдера.
• Інтеграція вибраного TTS API з підтримкою стрімінгу.
• Налаштування кешування на диску з LRU-алгоритмом.
• Розробка UI для вибору та попереднього прослуховування голосів.
• Реалізація fallback на системний TTS при відсутності мережі.
• Тестування на реальних пристроях (iOS 15+ / Android 10+).
• Передача документації по API та архітектурі.

Строки та вартість

Базова інтеграція одного провайдера з UI вибору голосу — 4–6 днів. Стрімінгове відтворення + кеш на диску + fallback на системний TTS — ще 5–7 днів. Вартість розраховується індивідуально залежно від складності. Оцінимо ваш проєкт безкоштовно — зв'яжіться для консультації. Замовте інтеграцію TTS у ваш додаток — ми забезпечимо низькі затримки та природне звучання.

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.