Транскрибація у мобільному додатку з Deepgram Nova-2

Уявіть: користувач говорить у мікрофон, а текст з'являється на екрані із затримкою менше півсекунди. Це нетривіальне інженерне завдання, але з Deepgram Nova-2 воно вирішується. Модель дає медіанну затримку близько 300 мс і WER близько 5% на російській мові. Такі показники недоступні класичним batch-рішенням. У цій статті розберемо, як налаштувати WebSocket-транскрибацію на iOS та Android, які параметри критичні та як уникнути типових помилок.

Типові труднощі — нестабільне з'єднання, дублювання interim-результатів, неправильна конфігурація аудіокодека. Наша команда з 10+ річним досвідом впровадження ASR (5+ років на ринку, понад 50 проектів) гарантує стабільне з'єднання та низьку затримку. На реальному проекті клієнт скаржився на дублювання interim: кожне нове слово додавалося до попереднього. Після впровадження патерну заміни буфера проблема зникла повністю.

Порівняння: Deepgram Nova-2 кращий за Whisper у 6-10 разів за швидкістю стримінгу.

Які параметри впливають на якість транскрибації?

Deepgram Nova-2 забезпечує низьку затримку на стримінгу: медіана близько 300 мс від кінця фрази до тексту. Whisper такого не вміє в принципі — він синхронний. Якщо задача «користувач говорить — текст з'являється на екрані» із затримкою менше секунди, це Deepgram.

Для мобільного сценарію Deepgram виграє у 6–10 разів за швидкістю. Крім того, Nova-2 показує WER ≤5% на російській мові, у той час як Whisper large-v2 — близько 7%.

Як налаштувати протокол підключення?

Deepgram працює через WebSocket. Endpoint:

wss://api.deepgram.com/v1/listen?model=nova-2&language=ru&encoding=linear16&sample_rate=16000&channels=1&interim_results=true

Параметри критичні: encoding=linear16 означає сирий PCM 16-bit little-endian. Будь-який інший формат без явного зазначення кодека — ризик 1008 Policy Violation. interim_results=true включає часткові результати — саме вони створюють відчуття реального часу.

iOS: AVAudioEngine + URLSessionWebSocketTask

class DeepgramStreamer {
    private var audioEngine = AVAudioEngine()
    private var webSocket: URLSessionWebSocketTask?

    func start() throws {
        let session = URLSession(configuration: .default)
        var request = URLRequest(url: URL(string: "wss://api.deepgram.com/v1/listen?model=nova-2&language=ru&encoding=linear16&sample_rate=16000&channels=1&interim_results=true")!)
        request.setValue("Token \(apiKey)", forHTTPHeaderField: "Authorization")
        webSocket = session.webSocketTask(with: request)
        webSocket?.resume()

        receiveLoop()

        let inputNode = audioEngine.inputNode
        let format = AVAudioFormat(commonFormat: .pcmFormatInt16, sampleRate: 16000, channels: 1, interleaved: false)!
        inputNode.installTap(onBus: 0, bufferSize: 4096, format: format) { buffer, _ in
            guard let channelData = buffer.int16ChannelData else { return }
            let frameLength = Int(buffer.frameLength)
            let data = Data(bytes: channelData[0], count: frameLength * 2)
            self.webSocket?.send(.data(data)) { _ in }
        }
        try audioEngine.start()
    }

    private func receiveLoop() {
        webSocket?.receive { [weak self] result in
            if case .success(let message) = result, case .string(let text) = message {
                // Decode Deepgram JSON response
                self?.handleTranscript(text)
            }
            self?.receiveLoop()
        }
    }
}

Важлива деталь: AVAudioEngine.inputNode на iOS 16+ вимагає явного запиту мікрофона через AVAudioSession.sharedInstance().requestRecordPermission. І обов'язково AVAudioSession.setCategory(.record, mode: .measurement) — режим .measurement вимикає AEC та AGC, які можуть спотворити сигнал для транскрипції.

Android: AudioRecord + OkHttp WebSocket

class DeepgramStreamer(private val apiKey: String) {
    private val client = OkHttpClient()
    private var webSocket: WebSocket? = null
    private var audioRecord: AudioRecord? = null

    fun start(onTranscript: (String, Boolean) -> Unit) {
        val request = Request.Builder()
            .url("wss://api.deepgram.com/v1/listen?model=nova-2&language=ru&encoding=linear16&sample_rate=16000&channels=1&interim_results=true")
            .header("Authorization", "Token $apiKey")
            .build()

        webSocket = client.newWebSocket(request, object : WebSocketListener() {
            override fun onMessage(webSocket: WebSocket, text: String) {
                val json = JSONObject(text)
                val channel = json.getJSONObject("channel")
                val alternatives = channel.getJSONArray("alternatives")
                val transcript = alternatives.getJSONObject(0).getString("transcript")
                val isFinal = json.getBoolean("is_final")
                if (transcript.isNotEmpty()) onTranscript(transcript, isFinal)
            }
        })

        val bufferSize = AudioRecord.getMinBufferSize(16000, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT)
        audioRecord = AudioRecord(MediaRecorder.AudioSource.MIC, 16000, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT, bufferSize)
        audioRecord?.startRecording()

        Thread {
            val buffer = ShortArray(bufferSize / 2)
            while (audioRecord?.recordingState == AudioRecord.RECORDSTATE_RECORDING) {
                val read = audioRecord!!.read(buffer, 0, buffer.size)
                if (read > 0) {
                    val byteBuffer = ByteBuffer.allocate(read * 2).order(ByteOrder.LITTLE_ENDIAN)
                    buffer.take(read).forEach { byteBuffer.putShort(it) }
                    webSocket?.send(byteBuffer.array().toByteString())
                }
            }
        }.start()
    }
}

ByteOrder.LITTLE_ENDIAN обов'язковий. Deepgram очікує LE PCM. Якщо відправити BE, транскрипція працюватиме, але з помітно гіршою якістю.

Як уникнути типових помилок при стримінгу аудіо?

• Дублювання interim: ніколи не накопичуйте всі interim як окремі рядки. Зберігайте поточний utterance у буфері та перезаписуйте його при кожному новому interim. При is_final: true фіналізуйте буфер.
• Втрата з'єднання: впровадьте reconnect з експоненційною затримкою (1,2,4,8 сек). Deepgram не підтримує відновлення сесії, тому після reconnect потрібно почати новий потік.
• Неправильна частота дискретизації: використовуйте строго 16000 Гц. Вища частота збільшує трафік без виграшу в якості, нижча — погіршує розпізнавання.

Обробка interim-результатів

Deepgram повертає два типи повідомлень: з is_final: false (interim) та is_final: true (фінальний). Правильний патерн UI:

• Interim відображаємо сірим або курсивом — користувач бачить, що йде розпізнавання.
• При отриманні is_final: true замінюємо всі попередні interim цього utterance фінальним текстом.
• speech_final: true означає кінець паузи — хороший момент для початку обробки фрази.

Параметри Nova-2, які змінюють якість

• utterance_end_ms: 1000 — Deepgram сам фіналізує utterance після 1 секунди тиші. Корисно для диктування без явних команд «стоп».
• diarize: true — розділення по спікерах, додає speaker у кожен word.
• punctuate: true — автопунктуація. Без неї текст іде без крапок та ком.
• smart_format: true — форматує числа, дати, телефони. «двадцять п'яте березня» → «25 березня».

Що входить у роботу

• Налаштування WebSocket-підключення з авторизацією
• Захоплення аудіо через AVAudioEngine / AudioRecord з правильним форматом
• Обробка interim та фінальних результатів без дублювання
• Reconnect при обриві мережі з експоненційною затримкою
• Тестування на реальних пристроях (iOS/Android)
• Документація та навчання команди

Процес роботи

1. Аналіз — вивчаємо архітектуру додатку та вимоги до транскрибації
2. Проектування — обираємо модель, протокол, параметри
3. Реалізація — кодова інтеграція WebSocket, аудіозахоплення, UI
4. Тестування — навантажувальне тестування, перевірка на різних пристроях і мережах
5. Деплой — публікація в App Store та Google Play

Строки

Базова інтеграція WebSocket + AudioRecord/AVAudioEngine + вивід тексту — 4–7 днів. Додавання діаризації, обробки перемикання мережі (reconnect), фонового режиму, експорту результату — 8–14 днів.

Економія на розробці власного ASR-двигуна може досягати 70%, а вартість транскрибації становить $0.01 за хвилину аудіо. Отримайте консультацію з інтеграції Deepgram для вашого мобільного проекту. Ми проаналізуємо архітектуру, підберемо оптимальну конфігурацію та реалізуємо low-latency транскрибацію під ключ. Замовте демо-версію з низькою затримкою вже сьогодні. Зв'яжіться з нами для обговорення вашого проекту.

Інтеграція Deepgram дозволила нам скоротити затримку транскрибації з 5 секунд до 300 мс — відгук клієнта з фінансового сектору.

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.