Інтеграція AI-генерації відео (Runway/Sora) у мобільний застосунок під ключ

Інтеграція AI-генерації відео (Runway/Sora) у мобільний застосунок під ключ

Уявіть: користувач натискає «Згенерувати відео», а через хвилину отримує готовий кліп прямо в застосунку. Але реальність така, що моделі на кшталт Runway Gen-3, Sora, Kling вимагають потужних GPU (A100/H100) і часу від 30 секунд до кількох хвилин. Завдання мобільного розробника — організувати асинхронний флоу так, щоб користувач не пішов в очікуванні. Ми інтегруємо ці API у ваш iOS/Android-застосунок, забезпечуючи надійну генерацію, кешування та сповіщення.

Як інтегрувати Runway API у мобільний застосунок?

Runway надає REST API з polling для перевірки статусу. На iOS ми реалізували сервіс з async/await та прогрес-баром, який симулює виконання на основі типового часу генерації. На Android використовуємо WorkManager з CoroutineWorker — завдання виконується у фоні навіть при згортанні застосунку. Ось приклад iOS-сервісу:

class VideoGenerationService {
    func generate(prompt: String, sourceImage: UIImage?) async throws -> URL {
        let taskId = try await runwayClient.createTask(
            prompt: prompt,
            imageURL: sourceImage.map { try await uploadImage($0) },
            duration: 5,
            ratio: "1280:768"
        )
        UserDefaults.standard.set(taskId, forKey: "pendingVideoTaskId")
        return try await pollWithBackoff(taskId: taskId)
    }

    private func pollWithBackoff(taskId: String) async throws -> URL {
        let intervals: [TimeInterval] = [3, 5, 8, 10, 10, 15, 15, 20, 20, 30]
        for interval in intervals + Array(repeating: 30.0, count: 10) {
            try await Task.sleep(nanoseconds: UInt64(interval * 1e9))
            let task = try await runwayClient.getTask(id: taskId)
            switch task.status {
            case .succeeded:
                UserDefaults.standard.removeObject(forKey: "pendingVideoTaskId")
                return task.output.first!
            case .failed:
                throw VideoGenError.generationFailed(task.failure ?? "Unknown")
            default: continue
            }
        }
        throw VideoGenError.timeout
    }
}

На Android: WorkManager з CoroutineWorker — правильний вибір для довгих фонових завдань. Polling в doWork(), Result.retry() при PROCESSING, Result.success(outputData) при SUCCEEDED.

Що робити, якщо генерація займає більше хвилини?

Push-сповіщення — обов'язкова опція. Backend відстежує статус завдання та надсилає FCM/APNs при завершенні. Deep link (Universal Links / App Links) веде на екран результату з автовідтворенням. Якщо користувач згорнув застосунок, прогрес зберігається через pendingTaskId в UserDefaults.

Оцінка реального прогресу без даних від API

Більшість API не повертають відсоток виконання — лише статус PENDING/PROCESSING/SUCCEEDED. Ми використовуємо симульований прогрес-бар: таймер на 55 секунд (95%), потім очікування реальної відповіді. Це краще, ніж порожній спіннер.

Таблиця AI-відео API

Для вибору API орієнтуйтесь на час генерації та довжину кліпу. Runway API — найбільш зрілий з SDK для TypeScript/Python. Sora від OpenAI поки доступна лише через партнерську програму. Дотримання App Store Review Guidelines (розділ 4.2) обов'язкове для публікації.

Порівняння підходів до асинхронної генерації

Вибір між polling та WebSocket залежить від частоти оновлень і критичності прогресу. Для простих сценаріїв достатньо polling, для складних — WebSocket.

Що входить у нашу роботу?

• Аналіз: вибір оптимального API під ваші завдання (довжина кліпу, бюджет, якість).
• Інтеграція: реалізація асинхронного флоу з polling, прогрес-баром і кешуванням результату.
• Фонова обробка: WorkManager/BGTaskScheduler для тривалих завдань.
• Push-сповіщення: FCM/APNs з deep linking.
• Документація: керівництво з використання та підтримка.
• Гарантія: 3 місяці безкоштовної підтримки після здачі.

Процес роботи

1. Аналітика — вивчаємо ваш застосунок, вибираємо API, оцінюємо навантаження.
2. Проєктування — архітектура флоу, схема кешування, безпека.
3. Реалізація — написання коду, інтеграція SDK, тестування.
4. Тестування — перевірка на реальних пристроях, симуляція помилок.
5. Деплой — публікація в App Store / Google Play, налаштування моніторингу.

Терміни та вартість

Базова інтеграція (один API, плеєр, кеш) — від 5 до 7 днів. Повний флоу з фоновими завданнями, push, Image-to-Video та галереєю — 3–4 тижні. Точна вартість розраховується індивідуально після ознайомлення з проєктом.

Наш досвід інтеграції AI-функцій — понад 5 років і 15+ успішних проєктів. Ми гарантуємо якість і дотримання App Store Review Guidelines (розділ 4.2).

Готові почати? Зв'яжіться з нами для попередньої оцінки. Отримайте консультацію з вибору API та архітектури вже сьогодні.

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.