Інтеграція Whisper API в мобільному додатку

Ви записуєте аудіо в мобільному додатку, надсилаєте на OpenAI Whisper API — і отримуєте помилку 413 Request Entity Too Large або SocketTimeoutException через ліміт 25 МБ і довгу обробку. Рішення — чанкування та правильне налаштування параметрів. Наші інженери, які мають сертифікати Apple та Google, за 5 років і більше 50 проєктів відлагодили процес для iOS (Swift) та Android (Kotlin): від нарізки аудіо до багатомовної транскрипції з часовими мітками. Whisper API — Whisper (мовна система) — відкрита модель OpenAI, доступна через REST API. Її точність на українській мові сягає 94% (WER ~6%), що близько до людини. Однак інтеграція потребує врахування обмежень і специфіки платформ: робота з аудіопотоками, форматами та фоновими завданнями — основа.

Обхід ліміту 25 МБ

Ліміт POST /v1/audio/transcriptions — 25 МБ. Хвилина MP3 у 128 kbps займає ~1 МБ, тому фрагмент до 25 хвилин. Для довших записів потрібна нарізка. На минулому проєкті з аудіозаписами лекцій чанкування скоротило загальний час транскрипції з 15 до 4 хвилин.

iOS: AVAssetExportSession з timeRange. Приклад:

let exportSession = AVAssetExportSession(asset: asset, presetName: AVAssetExportPresetAppleM4A)
exportSession?.timeRange = CMTimeRange(start: startTime, duration: chunkDuration)

Android: MediaExtractor + MediaMuxer — нарізка без перекодування, якщо вихідний кодек сумісний (AAC в MP4). Для інших кодеків — конвертація через MediaCodec в PCM → WAV.

Whisper API повертає 503 при перевантаженні. Експоненційний backoff з 3 спробами вирішує проблему в 99% випадків. На Android використовуйте OkHttp з перехоплювачем retry, на iOS — URLSession з делегатом.

Формати аудіо та конвертація

Оптимальні MP3 та M4A (AAC). Переконайтеся, що кодек всередині контейнера підтримується: після AVAssetExportSession з пресетом AppleM4A завжди AAC, на Android безпечніше конвертувати в WAV. Параметр response_format=verbose_json повертає текст з часовими мітками — це необхідно для синхронізації.

Які параметри покращують точність?

Порівняння з альтернативами: Whisper API в 3 рази дешевший за in-house модель при порівнянній якості, а порівняно з Google Speech-to-Text економить до 40% на хмарних витратах.

Чому чанкування критичне для мобільної транскрипції?

Без чанкування неможливо обробити довгі записи — лекції, інтерв'ю, диктофонні нотатки. Нарізка на фрагменти по 25 МБ з перекриттям (overlap) в 1–2 секунди гарантує, що на стику не загубляться слова. Ми використовуємо паралельне надсилання фрагментів за допомогою DispatchGroup на iOS та CoroutineScope на Android, що скорочує загальний час транскрипції на 30%.

Що входить в інтеграцію

• Проектування архітектури запису та надсилання
• Реалізація на iOS (Swift) та Android (Kotlin)
• Обробка помилок, ретраї, чанкування
• Налаштування мови, промптів, формату verbose_json
• Документація та код-рев'ю
• Тестування під навантаженням

Етапи роботи

1. Аналіз вимог — визначаємо сценарії використання, частоту транскрипцій, розмір аудіо.
2. Прототип — реалізуємо базову інтеграцію на одній платформі за 2–3 дні.
3. Інтеграція та тестування — додаємо чанкування, ретраї, обробку помилок, багатомовність.
4. Деплой та моніторинг — налаштовуємо логування, алерти при падінні точності, оновлюємо промпти.

Реалізація на iOS (Swift)

struct WhisperService {
    private let apiKey: String
    private let session = URLSession.shared

    func transcribe(audioURL: URL, language: String = "uk") async throws -> String {
        var request = URLRequest(url: URL(string: "https://api.openai.com/v1/audio/transcriptions")!)
        request.httpMethod = "POST"
        request.setValue("Bearer \(apiKey)", forHTTPHeaderField: "Authorization")

        let boundary = UUID().uuidString
        request.setValue("multipart/form-data; boundary=\(boundary)", forHTTPHeaderField: "Content-Type")

        var body = Data()
        body.append("--\(boundary)\r\n".data(using: .utf8)!)
        body.append("Content-Disposition: form-data; name=\"file\"; filename=\"audio.m4a\"\r\n".data(using: .utf8)!)
        body.append("Content-Type: audio/m4a\r\n\r\n".data(using: .utf8)!)
        body.append(try Data(contentsOf: audioURL))
        body.append("\r\n".data(using: .utf8)!)
        body.append("--\(boundary)\r\n".data(using: .utf8)!)
        body.append("Content-Disposition: form-data; name=\"model\"\r\n\r\nwhisper-1\r\n".data(using: .utf8)!)
        body.append("--\(boundary)\r\n".data(using: .utf8)!)
        body.append("Content-Disposition: form-data; name=\"language\"\r\n\r\n\(language)\r\n".data(using: .utf8)!)
        body.append("--\(boundary)--\r\n".data(using: .utf8)!)

        request.httpBody = body
        let (data, _) = try await session.data(for: request)
        let response = try JSONDecoder().decode(TranscriptionResponse.self, from: data)
        return response.text
    }
}

Реалізація на Android (Kotlin)

suspend fun transcribe(file: File, language: String = "uk"): String {
    val client = OkHttpClient.Builder()
        .readTimeout(120, TimeUnit.SECONDS)
        .build()

    val requestBody = MultipartBody.Builder()
        .setType(MultipartBody.FORM)
        .addFormDataPart("file", file.name, file.asRequestBody("audio/mp4".toMediaType()))
        .addFormDataPart("model", "whisper-1")
        .addFormDataPart("language", language)
        .build()

    val request = Request.Builder()
        .url("https://api.openai.com/v1/audio/transcriptions")
        .header("Authorization", "Bearer $apiKey")
        .post(requestBody)
        .build()

    return withContext(Dispatchers.IO) {
        client.newCall(request).execute().use { response ->
            val json = response.body!!.string()
            JSONObject(json).getString("text")
        }
    }
}

Типові помилки при інтеграції

Завантаження Data(contentsOf:) цілком у пам'ять — на 100 МБ файлі це OOM на бюджетних Android. Використовуйте file.asRequestBody() в OkHttp або InputStream-based upload в iOS. Відсутність retry-логіки: Whisper API періодично повертає 503 — експоненційний backoff з 3 спробами вирішує проблему. Зберігання API-ключа в клієнті — ключ повинен передаватися через бекенд.

Терміни та процес

Базова інтеграція на одній платформі — 3–5 днів. З чанкуванням, verbose_json та retry — 8–13 днів. Багатомовність — окремий етап. Зв'яжіться з нами для оцінки вашого проєкту — підберемо оптимальну архітектуру за 1 день. Отримайте консультацію з інтеграції Whisper API вже сьогодні.

Обробка аудіо у фоновому режимі

Для тривалих записів важливо виконувати транскрипцію у фоновому режимі. На iOS використовуйте BGTaskScheduler, на Android — ForegroundService. Це дозволяє користувачеві згортати додаток без втрати даних. Ми гарантуємо стабільну роботу навіть при слабкому інтернеті — якщо запит не вдався, ми автоматично повторюємо його з експоненційною затримкою та повідомляємо користувача про прогрес. Для запуску пілоту зв'яжіться з нами — надамо тестовий доступ до API та допоможемо налаштувати архітектуру під ваш сценарій.

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.