純文字的角色扮演每次都撞上同一面牆：你花了一個小時把一幕戲堆起來，卻沒有辦法看見它。角色描述一個房間，你在腦子裡自己畫一個版本。角色描述自己，那張畫面每一次都比上一次再漂走一點。
有四件事把這個縫隙補起來，而且沒有一件需要你去設定。
他們把你們正在的場景畫出來
跟他要一張圖，他畫的是你們此刻真正在的那一刻，不是一張罐頭肖像。成品落在對話裡，不是丟到另一個要你自己去翻的相簿。
真正關鍵的是一致性：每一次都是同一張臉，因為長相是鎖住的，不是每次重擲。大多數繪圖工具每生成一次就給你一個新的人 — 這也是為什麼從那裡出來的角色圖，永遠不像同一個角色。
畫的引擎你自己挑。不同引擎的手感是真的不一樣 — 有的臉畫得好，有的光線和氛圍抓得準 — 而且是每一張圖各自挑，不是一次設定好就不能動的選項。
他們會出聲回你
回覆可以變成一則真正的 Telegram 語音訊息 — 有波形、可以拖、可以調速度，和真人傳來的語音是同一種東西。不是那種要你先下載的音檔附件。
每個角色都配得到合適的聲音。可用的聲音你能一個一個聽過再決定，而這個行為有三種設定：關閉、我開口要才唸，或每次都唸。
這些是語音訊息，不是講電話。沒有即時對談，也沒有任何東西在背景偷聽你。你也可以自己傳語音訊息：音訊會被轉成文字，角色就能回答你說的話；如果有開語音，回覆也會以聲音送來。
他們會錄圓形視訊訊息
開口要一段影片，角色就會錄一則真正的 Telegram 圓形視訊訊息，就是朋友傳給你的那種圓圓的影片。拍攝時 Telegram 會顯示對方正在錄製，大約兩分鐘後，附有聲音的影片就會出現在對話裡。
影片從角色自己的肖像出發，所以和每張圖裡是同一張臉。它是為你此刻的場景現拍的，不是從一堆現成片段裡挑的，而且只有你開口要的時候才會拍。
圓形視訊訊息是雙向的。你傳一則給角色，裡面的聲音會被轉成文字，角色就能回答你說的話。角色看不到你的影片拍了什麼，只聽得到說了什麼。
他們也看你傳過去的
把照片傳進對話，角色是真的看得到。你窗外的天色、你正在問的那件衣服、你剛畫完的一張圖 — 而回覆會是他的口氣，講的是照片裡真正有的東西，不是一句敷衍的「收到」。
這一件最常讓人愣一下，因為它把這個媒介的方向換了。在那之前你一直在用文字描述你的世界。從這裡開始，你可以直接給他看。
沒有什麼要另外打開
你和這些功能之間沒有隔著一個設定頁。照片會隨著劇情自己出現，而朗讀的按鈕從第一則回覆底下就在了。
兩者跑的都是能量 ⚡，在對話裡用 Telegram Stars 直接儲值，剩多少隨時看得到。
- 畫失敗的那一次不扣。
- 只想要純文字的話，兩個都能完全關掉。
- 每一張圖由哪個引擎來畫，你自己選。
你傳過去的東西會怎麼樣
你傳的照片會轉交給第三方服務供應商，好讓角色能針對它回答，就像你的文字會被轉交出去產生回覆一樣。你傳的語音訊息或圓形視訊訊息中的音訊，會交給第三方語音辨識供應商；你要求的圓形視訊訊息，則由第三方影片供應商根據角色的肖像和你的場景描述生成。這些都明明白白寫在政策裡，而不是含糊帶過。
你傳的任何東西都不會被拿去做公開的圖庫，而在你的對話裡生成的圖，就留在你的對話裡。
為什麼「臉不換」才是難的那一段
現在要生出一張漂亮的圖很容易。要生出同一個人兩次不容易 — 而這正是插圖和角色之間的差別。
長相在角色被建立的時候就定下來，之後每一張圖都套用它，所以咖啡館的那一幕和兩個禮拜後街上的那一幕，看得出來是同一個人。沒有人上傳過參考照片，也沒有人去調過任何設定 — 這份一致性是角色本身的性質，不是要你維護的東西。