סינתזת קול באפליקציות מובייל: הגדרת OpenAI TTS

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())

        // Используем OkHttp как DataSource через кастомный 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) {
                // Пишем поток во временный файл, одновременно начинаем воспроизведение
                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
                                // Начинаем воспроизведение после первых 32 KB
                                Handler(Looper.getMainLooper()).post {
                                    exoPlayer.setMediaItem(MediaItem.fromUri(tempFile.toUri()))
                                    exoPlayer.prepare()
                                    exoPlayer.play()
                                }
                            }
                        }
                    }
                }
            }

            override fun onFailure(call: Call, e: IOException) {
                /* обработка ошибки */
            }
        })
    }
}

ExoPlayer תומך בהשמעה מקובץ שעדיין נכתב—// iOS: кэш синтезированного аудио 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) } } קורא נתונים כשהם מגיעים. זמן השהיה עד לאודיו הראשון הוא 400–700 אלפיות שנייה. סטרימינג מקצר את הזמן עד לאודיו הראשון פי 3–5 בהשוואה להמתנה להורדה מלאה.

כיצד לטפל בטקסטים ארוכים?

OpenAI TTS מקבל עד 4096 תווים לבקשה. עבור טקסטים ארוכים—חלקו לפי משפטים:

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
}

סנתזו חלקים במקביל באמצעות // iOS: загрузка и воспроизведение 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() } , השמיעו ברצף—זמן ההשהיה הכולל נמוך יותר מעיבוד רציף.

מה כלול (תוצרים)

• ניתוח דרישות ועיצוב ארכיטקטורה
• יישום בקשות REST וסטרימינג ל-OpenAI TTS
• קאשינג בצד המכשיר (LRU cache עם hashing)
• טיפול בטקסטים ארוכים (חלוקה לפי משפטים)
• אינטגרציית נגן (AVAudioPlayer / ExoPlayer) עם תמיכה בהשמעה ברקע
• עמידה בהנחיות App Store Review (סעיף 4.2) והגדרת AVAudioSession ל-iOS
• בדיקות על מכשירים אמיתיים (iOS 15+ / Android 10+)
• תיעוד תפעולי ומדריך הגדרת מפתח API
• גישה למאגר הקוד עם היסטוריית commits מלאה
• הדרכת צוות (עד שעתיים) באמצעות שיחת וידאו
• שבועיים של תמיכה לאחר מסירה

תהליך העבודה

1. ניתוח — לימוד האפליקציה שלכם, זיהוי נקודות קריאת TTS, מדידת זמני השהיה נוכחיים.
2. אב-טיפוס — בניית MVP על מסך אחד, הדגמת סטרימינג עם קאש.
3. אינטגרציה — שילוב המודולים המוכנים בקוד שלכם.
4. בדיקות — בדיקת עומס, כוונון עדין למקרי השימוש שלכם.
5. פריסה — פרסום ל-App Store / Google Play, ניטור.

לוחות זמנים ועלות

אינטגרציה בסיסית (REST + קאש) — 3–4 ימים ($1,500). אינטגרציה מורחבת (סטרימינג + טיפול בטקסטים ארוכים + UI) — 7–10 ימים ($3,500). ניתן להפחית עלויות API בעד 40% עם קאשינג, חיסכון מוערך של $200–$500 לחודש עבור אפליקציות פעילות. העלות המדויקת מחושבת לאחר ביקורת על הפרויקט שלכם—פנו אלינו להערכה. להצעת מחיר מדויקת, צרו קשר.

הניסיון של הצוות שלנו

יש לנו מעל 5 שנות ניסיון בפיתוח מובייל. השלמנו 15+ פרויקטים של אינטגרציית שירותי AI, כולל OpenAI, Google Cloud Speech ו-Yandex SpeechKit. המפתחים שלנו מוסמכים על ידי Apple ו-Google. אנו מבטיחים פעולה יציבה ושיתוף פעולה שקוף.

קבלו ייעוץ על אינטגרציית סינתזת קול לאפליקציה שלכם—צרו קשר.