Реализация AI-генерации изображений (DALL-E) в мобильном приложении

Реализация AI-генерации изображений (DALL-E) в мобильном приложении

DALL-E 3 через OpenAI API — самый простой в интеграции провайдер генерации изображений. Один POST-запрос, URL в ответе, загрузка картинки. Сложность не в самом API, а в UX: генерация занимает 5–15 секунд, и это время нужно грамотно заполнить. Плюс — prompt engineering, который напрямую влияет на качество результата.

API: базовая интеграция

struct DALLERequest: Codable {
    let model: String
    let prompt: String
    let n: Int
    let size: String
    let quality: String
    let style: String
    let responseFormat: String

    enum CodingKeys: String, CodingKey {
        case model, prompt, n, size, quality, style
        case responseFormat = "response_format"
    }
}

func generate(prompt: String) async throws -> URL {
    let request = DALLERequest(
        model: "dall-e-3",
        prompt: prompt,
        n: 1,
        size: "1024x1024",
        quality: "standard",
        style: "vivid",
        responseFormat: "url"
    )

    var urlRequest = URLRequest(url: URL(string: "https://api.openai.com/v1/images/generations")!)
    urlRequest.httpMethod = "POST"
    urlRequest.setValue("Bearer \(apiKey)", forHTTPHeaderField: "Authorization")
    urlRequest.setValue("application/json", forHTTPHeaderField: "Content-Type")
    urlRequest.httpBody = try JSONEncoder().encode(request)

    let (data, _) = try await URLSession.shared.data(for: urlRequest)
    let response = try JSONDecoder().decode(ImageGenerationResponse.self, from: data)
    return URL(string: response.data[0].url)!
}

Параметры DALL-E 3:

• size: 1024x1024, 1792x1024 (landscape), 1024x1792 (portrait)
• quality: standard (быстрее, дешевле) или hd (детализированнее)
• style: vivid (насыщенный, контрастный) или natural (фотореалистичный)
• response_format: url (ссылка на 60 минут) или b64_json (base64 сразу)

DALL-E 3 не поддерживает n > 1 — только одно изображение за запрос.

UX во время генерации

5–15 секунд ожидания без фидбека — плохой UX. Варианты:

Animated placeholder — skeleton или анимированный градиент на месте будущего изображения. Пользователь понимает, что что-то происходит.

Прогресс-бар с шагами — нельзя показать реальный прогресс (API не стримит), но можно показать анимированный псевдо-прогресс: «Анализируем запрос → Генерируем → Финализируем». Визуально работает.

Prompt preview — пока идёт генерация, показывать переработанный промпт от DALL-E. API возвращает revised_prompt — реальное описание, которое модель использовала. Это интересно для пользователя и заполняет время.

// revised_prompt приходит в ответе
let revisedPrompt = response.data[0].revisedPrompt
// Показываем его в UI, пока изображение загружается
promptLabel.text = revisedPrompt

Кэширование и хранение

Сгенерированные изображения нужно сохранять. URL из ответа живёт 60 минут — после этого 404. Загружай и кэшируй сразу после генерации.

// Android: загрузка и сохранение через Coil
suspend fun downloadAndCache(imageUrl: String, localKey: String): File {
    val request = ImageRequest.Builder(context)
        .data(imageUrl)
        .diskCacheKey(localKey)
        .build()
    val result = imageLoader.execute(request)
    // Coil автоматически сохраняет в disk cache
    return File(context.cacheDir, "dalle_${localKey}.jpg")
}

Для долгосрочного хранения — сохраняй в MediaStore (Android) или Photos (iOS) по запросу пользователя. Автосохранение без явного действия — нарушение App Store guidelines.

Prompt engineering для мобильного UI

Качество DALL-E 3 сильно зависит от промпта. Для пользовательских приложений:

System prompt-обёртка — перед отправкой в API дополняй пользовательский текст стандартными инструкциями:

let enhancedPrompt = """
\(userPrompt)

Style: high quality, detailed, professional photography or illustration.
Avoid text, watermarks, blurry elements.
"""

DALL-E 3 сам переписывает промпт (revised_prompt), но задание стиля помогает избежать случайных вариаций.

Content policy. DALL-E 3 отклоняет промпты с насилием, обнажённостью, реальными людьми по имени. Ответ — 400 с code: content_policy_violation. На клиенте — показывай понятное сообщение пользователю, не технический error code.

Вариации и редактирование

DALL-E 2 (не 3) поддерживает:

• /v1/images/variations — вариации существующего изображения
• /v1/images/edits — редактирование с маской (inpainting)

DALL-E 3 этих эндпоинтов не имеет. Если нужно редактирование — либо DALL-E 2, либо Stable Diffusion через Replicate/FAL.

Сроки

Генерация с базовым UI (текстовое поле + кнопка + отображение результата) — 2–3 дня. Полноценная галерея с историей, сохранением, sharing, вариациями — 8–12 дней.