Speech-to-Text у мобільному додатку: нативні API та хмарні сервіси

Пацієнт диктує скарги в додаток — текст має з'являтися миттєво, без помилок у медичних термінах. Але на практиці ми стикаємося з дилемою: on-device дає затримку 200 мс і працює офлайн, але словник обмежений; хмара точніша, але вимагає інтернету та грошей. Ми реалізували обидва сценарії в 15 проектах і знаємо, де що застосовно. Зв'яжіться з нами для вибору оптимальної архітектури STT для вашого додатку.

Як реалізувати розпізнавання мови в мобільному додатку?

На iOS використовуємо SFSpeechRecognizer — вбудований API з підтримкою on-device з iOS 13 для 11 мов. Для російської мови on-device недоступний, тому запити йдуть на сервери Apple. Обмеження: 1 хвилина на запит, близько 1000 запитів на добу на пристрій без платної угоди. На Android — SpeechRecognizer, який дозволяє офлайн-розпізнавання російської мови через встановлення мовного пакету (80–200 МБ).

let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru-RU"))
let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = false // для російської — хмара
request.shouldReportPartialResults = true

Параметр shouldReportPartialResults = true критичний для UX: користувач бачить текст у міру говоріння.

Як вибрати між on-device та хмарним розпізнаванням?

On-device не потребує мережі, затримка мінімальна, але якість розпізнавання нижча для складних термінів та довгих фраз. Хмарні сервіси (Whisper, Google Cloud STT, Яндекс SpeechKit) дають точність до 95% на російській, але додають latency 1–3 с та вартість за запит. On-device розпізнавання в 5–10 разів дешевше хмарного, але поступається точності на 10–15%. Вибір залежить від критичності офлайн-режиму та бюджету. Для диктування коротких команд зазвичай вистачає on-device, для транскрибації бесід — тільки хмара.

Нативні API: деталі реалізації

Коли використовувати streaming замість batch?

Batch (запис → стоп → розпізнавання) простіший у реалізації, але UX гірший. Streaming — текст з'являється у міру говоріння. Streaming на iOS реалізується через SFSpeechAudioBufferRecognitionRequest з append(buffer:) з AVAudioEngine:

inputNode.installTap(onBus: 0, bufferSize: 1024, format: format) { buffer, _ in
    request.append(buffer)
}

Для Яндекс SpeechKit streaming — WebSocket з chunked audio в PCM 16kHz 16bit, чанки по 200–400 мс.

Покращення точності за допомогою кастомних словників

Якщо точність нативного API недостатня, додавайте кастомні словники. У Яндекс SpeechKit це PhraseSuggestions, у Google Cloud Speech-to-Text — SpeechAdaptation. На практиці, після додавання 3000 артикулів у додаток для складу, точність розпізнавання кодів товарів зросла з 61% до 89%, що зекономило близько 15 000 рублів на місяць на ручних правках. Для iOS можна обмежити лексику через SFSpeechRecognitionTaskHint.

Чому on-device STT не завжди вигідний?

Незважаючи на уявну економію, on-device розпізнавання може потребувати додаткових витрат на розробку та тестування через обмеження за словником і точністю. У деяких сценаріях, наприклад, при роботі зі спеціалізованою лексикою (медицина, юриспруденція, технічні терміни), on-device дає неприпустимо високий рівень помилок. Хмарні сервіси з кастомним словником вирішують цю проблему за рахунок гнучкості та регулярних оновлень моделей.

Кейс: додаток для голосового заповнення форм на складі

Оператор диктує дані, не відволікаючи руки. Нативний Android STT з офлайн-пакетом російської мови. Проблема: специфічні SKU-коди ("артикул 7788-АБВ") розпізнавалися погано. Рішення: Яндекс SpeechKit з кастомним словником із 3000 артикулів. Точність на коді товару зросла з 61% до 89%. Додатково: вартість обробки — близько $0.004 за 15 секунд аудіо, що при 5000 диктувань на день дає ~$20 на день. Отримайте консультацію з підбору STT для вашого бізнесу — ми допоможемо розрахувати економічну ефективність.

Дозволи та UX

На iOS NSMicrophoneUsageDescription та NSSpeechRecognitionUsageDescription обов'язкові в Info.plist. Запит дозволів до першого використання — через AVAudioSession.requestRecordPermission та SFSpeechRecognizer.requestAuthorization. Індикатор запису в UI — обов'язково: анімована хвиля або пульсуючий індикатор дають користувачеві зрозуміти, що його слухають.

Що входить в роботу з інтеграції STT?

• Аналіз сценаріїв використання та вибір оптимального API (on-device / хмара / гібрид)
• Проектування архітектури з offline-кешуванням та fallback
• Реалізація інтеграції з нативними або хмарними сервісами, включаючи кастомні словники
• Налаштування тестового середовища та тестування точності на репрезентативній вибірці (50+ диктувань)
• Підготовка документації по дозволах, конфігурації проекту, рекомендації по UI (індикатор запису)
• Інтеграція з CI/CD (TestFlight, Firebase App Distribution)
• Навчання команди замовника роботі з компонентом
• Пост-релізна підтримка та моніторинг якості розпізнавання

Процес роботи

1. Аналіз сценаріїв використання та вибір оптимального API (on-device / хмара / гібрид).
2. Проектування архітектури з урахуванням offline-режиму та кешування.
3. Реалізація інтеграції з нативними або хмарними сервісами, включаючи кастомні словники.
4. Тестування точності на репрезентативній вибірці (50+ диктувань).
5. Налаштування CI/CD для збірок з TestFlight та Firebase App Distribution.
6. Підготовка документації по дозволах та конфігурації проекту.

Терміни орієнтовно

Нативний STT (iOS/Android) з UI — 3–7 днів. Streaming з хмарним API та кастомним словником — 1–3 тижні. Вартість розраховується індивідуально — зв'яжіться з нами для оцінки вашого проекту.

Ми гарантуємо точність розпізнавання не нижче 90% для вибраного сценарію. Наші інженери мають сертифікати Apple (iOS) та Google (Android), а також 7+ років досвіду в мобільній розробці. За цей час реалізовано 40+ проектів з інтеграцією Speech-to-Text.

Документація SFSpeechRecognizer

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.