纯文字的角色扮演每次都撞上同一堵墙：你搭了一个小时的场景，却没有办法看见它。角色描述一个房间，你在脑子里补出自己的那一版。角色描述自己，而这幅画面每一次开聊都比上一次更飘一点。
有四件事把这道缝补上了，而且没有一件需要你去配置。
他们把你们所在的场景画出来
跟他要一张图，他画的是你们此刻真正身处的那一刻，不是一张通用的头像。结果直接出现在对话里，不是在某个你还得专门去看的相册里。
要紧的地方是一致：每一次都是同一张脸，因为长相是被锁住的，而不是每次重掷一遍。大多数出图工具每生成一次就给你一个新的人，这也是为什么它们做出来的角色画，从来不像同一个角色。
由谁来画，你挑。不同的引擎手感是真的不一样——一个更会画脸，另一个更会画光和氛围——而这个选择是按每张图来的，不是一次配置好的设置。
他们会出声回答
回复可以变成一条真正的 Telegram 语音消息——有波形、能拖动、能调速，和真人发的语音是同一种东西。不是一个还得下载的音频附件。
每个角色都有一个配得上他的声音。可用的声音你可以一个个翻过去，定下来之前先试听，行为有三档：关闭、按需、自动。
这是语音消息，不是通话。没有实时对话，也没有任何东西在后台听你说话。你可以自己发语音消息：音频会被转成文字，角色据此回答你说的话；如果开了语音，回复也会以声音送达。
他们会录圆形视频消息
开口要一段视频，角色就会录一条真正的 Telegram 圆形视频消息，就是朋友发给你的那种圆圆的视频。拍摄时 Telegram 会显示对方正在录制，大约两分钟后，带声音的视频就会出现在聊天里。
视频从角色自己的肖像出发，所以和每张图里是同一张脸。它是为你此刻的场景现拍的，不是从一堆现成片段里挑的，而且只有你开口要的时候才会拍。
圆形视频消息是双向的。你发一条给角色，里面的声音会被转成文字，角色据此回答你说的话。角色看不到你视频里拍了什么，只听得到说了什么。
他们会看你发过去的东西
往聊天里发一张照片，角色看得见。你窗外的景色、你刚才问的那身衣服、你自己画的一张画——回复会顺着角色的身份，说图里真正有的东西，而不是敷衍地应一声。
这一条最让人意外，因为它把这个媒介的方向掉了个头。在此之前，你一直在用词把自己的世界描述给他。现在，你可以直接给他看。
什么都不用打开
在你和这些东西之间，没有一个设置页拦着。照片会随着场景推进自己送过来，🔊 按钮从第一条消息起就在每条回复下面。
两者都跑在能量上，在聊天里用 Telegram Stars 充。剩多少，你随时都能看到。
- 生成失败的，不扣费。
- 只想要文字的话，两者都可以彻底关掉。
- 由哪个引擎来画，你按每张图挑。
你发过去的东西会怎么样
你发的照片会转交给第三方服务商，好让角色能就它作答，和把你的文字转交出去生成回复是同一个道理。你发的语音消息或圆形视频消息中的音频，会交给第三方语音识别服务商；你要求的圆形视频，则由第三方视频服务商根据角色的肖像和你的场景描述生成。这些都白纸黑字写在政策里，而不是含糊带过。
你发的任何东西都不会被拿去搭一个公开画廊，而在你对话里生成的图，就落在你的对话里。
为什么「脸不变」才是难的那部分
现在生成一张漂亮的图很容易。生成同一个人两次并不容易，而这正是插画和角色之间的差别。
长相在角色创建时就定下来，之后每一次出图都照着它来，所以一个咖啡馆里的场景和两周后街上的场景，认得出是同一个人。没有人要上传参考照片，也没有人要去调什么设置——这份一致是角色自带的性质，不是需要你维护的东西。