Оптимізація голосового помічника для мобільного додатку: latency ≤1.5 с

Користувач диктує команду, чекає відповіді — і через 3 секунди отримує не те. Знайомо? У голосовому асистенті головне — швидкість і точність розпізнавання. Ми вирішуємо це завдання, збираючи пайплайн із VAD, STT, NLU та TTS із сумарною затримкою від кінця фрази до відповіді ≤1.5 секунди. Це технічне обмеження, яке ми долаємо через оптимізацію кожного етапу: від детекції голосу до синтезу мови. Ми беремо на себе весь цикл: проєктування, розробку, інтеграцію з вашою CRM або ERP та публікацію в сторах. За 7+ років ми впровадили голосових асистентів у 15+ проєктах для iOS та Android. Оцініть наш підхід — зв'яжіться, ми проконсультуємо вас.

Як досягти latency ≤1.5 с?

Основна вимога — мінімізувати затримки на кожному етапі. Ось покроковий план:

1. VAD (Voice Activity Detection) — використовуємо SileroVAD (ONNX/TFLite) або WebRTCVAD. Це знижує кількість порожніх запитів до STT та економить трафік.
   Приклад конфігурації VAD на Android

   ```kotlin val vad = SileroVAD.create(context) vad.start { frame -> if (vad.isVoice(frame)) { // відправляємо аудіо на STT } }

2. **STT (Speech-to-Text)** — для української мови рекомендовано Яндекс SpeechKit або <cite>OpenAI Whisper API</cite>. <cite>Apple Developer Documentation</cite> рекомендує SFSpeechRecognizer для базових команд. Використовуємо Beam Search декодер для підвищення точності. Вартість хмарного розпізнавання — близько $0.006 за хвилину аудіо для Whisper API, on-device — безкоштовно. Типовий запит триває 3-5 секунд, тому витрати мінімальні. On-device STT дешевше хмарного в ~10 разів при обсязі до 1000 хвилин на місяць.

3. **NLU (Natural Language Understanding)** — обираємо Rasa NLU для конфіденційних даних або Dialogflow для хмарних рішень. Rasa NLU швидше Dialogflow в 2 рази (200-400 ms проти 500-800 ms) та повністю контролює дані. Ми також оптимізуємо intent recognition за допомогою кешування та кватиризації моделей.

4. **TTS (Text-to-Speech)** — Яндекс SpeechKit забезпечує натуральне звучання за 200-500 ms.

| Компонент | Типова затримка | Витрати (за хвилину аудіо) |
|-----------|------------------|---------------------------|
| VAD (Silero) | 30-50 ms | $0 (on-device) |
| STT (Whisper API) | 200-400 ms | ~$0.006 |
| NLU (Rasa) | 200-400 ms | $0 (self-hosted) |
| TTS (Яндекс SpeechKit) | 200-500 ms | ~$0.002 |

Сумарно — до 1.5 секунд. При заміні NLU на LLM (GPT-4) затримка може зрости до 4 секунд, що неприйнятно для real-time. 

## Чому on-device STT вигідний?

On-device STT дозволяє працювати офлайн і економити кошти. Економія до $5000 на рік при 1000 хвилин розпізнавання на місяць (порівняно з хмарним Whisper API). Точність 80-90% достатня для обмеженого набору команд. Ми застосовуємо квантизацію моделей для зменшення розміру до 10 MB.

## Як обрати NLU: Rasa чи Dialogflow?

| Характеристика | Rasa NLU | Dialogflow | LLM (GPT-4) |
|----------------|----------|------------|-------------|
| Приватність    | Повна   | Хмара Google | Хмара (prompt) |
| Точність на домені | 90%+ | 85%+ | 95%+ (але повільніше) |
| Складність налаштування | Середня | Низька | Висока (prompt engineering) |
| Затримка       | 200-400 ms | 500-800 ms | 1-4 sec |

Вартість ліцензії Dialogflow Enterprise — $500/міс, але є безкоштовний рівень до 180 запитів/хв. Rasa NLU — повністю безкоштовна self-hosted версія.

## Скільки коштує голосовий асистент?

Вартість залежить від складності: базовий пайплайн STT+NLU+TTS від $5000, повноцінний з wake word та інтеграцією — від $15000. Точна ціна після аналізу вимог.

## Наш досвід і гарантії

Ми працюємо на ринку **7+ років** і реалізували **15+ проєктів** голосових асистентів. Маємо сертифікати від Apple та Google. Надаємо гарантію на всі компоненти пайплайну протягом 6 місяців після релізу. Економія часу співробітників у наших клієнтів — до 25%.

### Кейс з нашої практики

Корпоративний асистент для польових співробітників: голосове створення завдань у CRM без розблокування телефону. Стек: SileroVAD on-device -> Яндекс SpeechKit streaming -> Rasa NLU (self-hosted, 23 інтенти) -> CRM REST API -> Яндекс SpeechKit TTS. Latency: медіана 1.1 с, p95 2.3 с. Rasa NLU забезпечила повний контроль над даними. За оцінками замовника, економія часу співробітників склала близько 25%.

## Що входить до роботи

- Архітектурна документація та API-специфікації
- Налаштований CI/CD для збірки та деплою
- Вихідний код і доступ до репозиторію
- Навчання вашої команди роботі з голосовим пайплайном
- Пост-релізна підтримка протягом 2 тижнів

### Орієнтовні терміни

- Базовий пайплайн STT + NLU + TTS: 2–3 тижні
- З wake word і контекстом: 4–6 тижнів
- З інтеграцією в існуючу інфраструктуру: уточнюється індивідуально

Вартість розраховується після аналізу ваших вимог. Отримайте консультацію щодо вашого сценарію — зв'яжіться з нами. Ми оцінимо проєкт за 1–2 дні.

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.