Голосовий синтез у мобільному додатку: налаштування OpenAI TTS

Інтеграція OpenAI TTS для генерації мовлення в мобільному додатку

Мобільний додаток має озвучувати довгі тексти — новини, аудіокниги, голосові підказки. Без оптимізації користувач чекає 3–5 секунд перед початком відтворення. OpenAI TTS вирішує це завдання, але тільки якщо правильно налаштувати стрімінг та кешування. Ми розповімо, як досягти затримки менше секунди на iOS та Android.

У цій статті розберемо архітектуру інтеграції: від простого REST-запиту до потокового відтворення з ExoPlayer та AVAudioPlayer. Покажемо, як кешувати синтезоване аудіо та обробляти тексти довші за 4096 символів. У результаті — готове рішення, яке можна впровадити за 3–10 днів.

Які проблеми вирішуємо?

Ми вирішуємо три ключові проблеми. По-перше, висока затримка: без стрімінгу доводиться чекати повного завантаження файлу. По-друге, витрати: кожен повторний синтез того самого тексту — зайві витрати на API. По-третє, обмеження довжини: OpenAI TTS приймає до 4096 символів, тому довгий текст потрібно розбивати. Всі ці проблеми ми усуваємо за допомогою кешу, стрімінгу та розбиття по реченнях.

Як влаштований API OpenAI TTS?

POST https://api.openai.com/v1/audio/speech
Authorization: Bearer {api_key}
Content-Type: application/json

{
  "model": "tts-1-hd",
  "input": "Ваш текст тут",
  "voice": "nova",
  "response_format": "mp3",
  "speed": 1.0
}

Згідно з документацією OpenAI, доступні дві моделі. tts-1 — швидша, трохи гірша якість, дешевша ($15/млн символів). tts-1-hd — вища якість, повільніша на ~30%, дорожча ($30/млн символів). Голоси: alloy (нейтральний), echo (чоловічий м'який), fable (британський), onyx (чоловічий глибокий), nova (жіночий живий), shimmer (жіночий спокійний). Для української мови nova та shimmer звучать найбільш природно. Параметр speed від 0.25 до 4.0, дефолт 1.0; значення вище 1.3 починають ламати просодію.

Чому кешування критичне для UX?

Кожен запит до API займає час і коштує грошей. Кешування дозволяє уникнути повторних синтезів одного й того самого тексту. Для UI-фраз додатку (привітання, підказки) ми попередньо генеруємо аудіо при першому запуску та кешуємо назавжди. Оцінка економії: при активному використанні кеш дозволяє скоротити витрати на API до 40%.

// iOS: кеш синтезованого аудіо
class TTSCache {
    private let cacheURL: URL

    init() {
        cacheURL = FileManager.default.urls(for: .cachesDirectory, in: .userDomainMask)[0]
            .appendingPathComponent("tts_cache")
        try? FileManager.default.createDirectory(at: cacheURL, withIntermediateDirectories: true)
    }

    func key(text: String, voice: String) -> String {
        let input = "\(text)|\(voice)"
        return SHA256.hash(data: Data(input.utf8)).hexString
    }

    func get(_ key: String) -> Data? {
        let url = cacheURL.appendingPathComponent(key + ".mp3")
        return try? Data(contentsOf: url)
    }

    func set(_ key: String, data: Data) {
        let url = cacheURL.appendingPathComponent(key + ".mp3")
        try? data.write(to: url)
    }
}

Перед кожним TTS-запитом — перевірка кешу. Попадання в кеш = миттєве відтворення.

Реалізація без стрімінгу (для коротких текстів)

// iOS: завантаження та відтворення
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 = TTSSpeechRequest(model: "tts-1", input: text, voice: voice, responseFormat: "mp3")
    request.httpBody = try JSONEncoder().encode(body)

    let (data, _) = try await URLSession.shared.data(for: request)
    audioPlayer = try AVAudioPlayer(data: data)
    audioPlayer?.play()
}

Для коротких фраз (до 100 символів) на tts-1 затримка ~300–500 мс — прийнятно без стрімінгу. Для довгих текстів потрібен стрімінг.

class OpenAITTSStreamer(private val apiKey: String, private val context: Context) {
    private val exoPlayer = ExoPlayer.Builder(context).build()

    fun speak(text: String, voice: String = "nova") {
        val requestBody = JSONObject().apply {
            put("model", "tts-1")
            put("input", text)
            put("voice", voice)
            put("response_format", "mp3")
        }.toString().toRequestBody("application/json".toMediaType())

        // Використовуємо OkHttp як DataSource через кастомний MediaSource
        val call = OkHttpClient().newCall(
            Request.Builder()
                .url("https://api.openai.com/v1/audio/speech")
                .header("Authorization", "Bearer $apiKey")
                .post(requestBody)
                .build()
        )

        call.enqueue(object : Callback {
            override fun onResponse(call: Call, response: Response) {
                // Пишемо потік у тимчасовий файл, одночасно починаємо відтворення
                val tempFile = File(context.cacheDir, "tts_${System.currentTimeMillis()}.mp3")
                response.body!!.byteStream().use { input ->
                    tempFile.outputStream().use { output ->
                        val buffer = ByteArray(8192)
                        var bytes: Int
                        var firstChunk = true
                        while (input.read(buffer).also { bytes = it } != -1) {
                            output.write(buffer, 0, bytes)
                            if (firstChunk && tempFile.length() > 32768) {
                                firstChunk = false
                                // Починаємо відтворення після перших 32 KB
                                Handler(Looper.getMainLooper()).post {
                                    exoPlayer.setMediaItem(MediaItem.fromUri(tempFile.toUri()))
                                    exoPlayer.prepare()
                                    exoPlayer.play()
                                }
                            }
                        }
                    }
                }
            }
            override fun onFailure(call: Call, e: IOException) { /* обробка помилки */ }
        })
    }
}

Як обробляти довгі тексти?

OpenAI TTS приймає до 4096 символів за запит. Для довгих текстів — розбиття по реченнях:

func splitBySentences(_ text: String, maxLength: Int = 1000) -> [String] {
    var chunks: [String] = []
    var current = ""
    for sentence in text.components(separatedBy: CharacterSet(charactersIn: ".!?\n")) {
        let trimmed = sentence.trimmingCharacters(in: .whitespaces)
        if trimmed.isEmpty { continue }
        if current.count + trimmed.count > maxLength {
            if !current.isEmpty { chunks.append(current) }
            current = trimmed
        } else {
            current += (current.isEmpty ? "" : ". ") + trimmed
        }
    }
    if !current.isEmpty { chunks.append(current) }
    return chunks
}

Шматки синтезуємо паралельно через TaskGroup, відтворюємо послідовно — так загальна затримка менша, ніж при послідовній обробці.

Що входить в інтеграцію

• Аналіз вимог та проєктування архітектури
• Реалізація REST- та стрімінгових запитів до OpenAI TTS
• Налаштування кешування на пристрої (LRU-кеш з хешуванням)
• Обробка довгих текстів (розбиття по реченнях)
• Інтеграція плеєра (AVAudioPlayer / ExoPlayer) з підтримкою фонового відтворення
• Врахування вимог App Store Review Guidelines (Section 4.2) та налаштування AVAudioSession для iOS
• Тестування на реальних пристроях (iOS 15+ / Android 10+)
• Документація з експлуатації та інструкція з отримання API-ключа
• Підтримка протягом 2 тижнів після здачі

Процес роботи

1. Аналітика — вивчаємо ваш додаток, визначаємо місця виклику TTS, заміряємо поточні затримки.
2. Прототипування — створюємо MVP на одному екрані, показуємо стрімінг з кешем.
3. Інтеграція — вбудовуємо готові модулі у вашу кодову базу.
4. Тестування — перевіряємо на навантаженні, коригуємо під ваші кейси.
5. Деплой — публікація в App Store / Google Play, моніторинг.

Терміни та вартість

Базова інтеграція (REST + кеш) — 3–4 дні. Розширена (стрімінг + обробка довгих текстів + UI) — 7–10 днів. Точну вартість розраховуємо після аудиту вашого проєкту — напишіть нам, і ми оцінимо. Для точної оцінки вартості вашого проєкту — зв'яжіться з нами.

Досвід команди

Ми більше 5 років займаємося мобільною розробкою. Реалізували 15+ проєктів з інтеграцією AI-сервісів, включаючи OpenAI, Google Cloud Speech та Yandex SpeechKit. Наші розробники сертифіковані Apple та Google. Гарантуємо стабільну роботу та прозору співпрацю.

Отримайте консультацію з інтеграції голосового синтезу у ваш додаток — зв'яжіться з нами.

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.