照片和语音
有些人主要发送照片，有些人主要用语音消息交谈。iRoof.top 保留这两种习惯。
理解它们
在媒体库中，用 AI 描述会描述贴纸、GIF 和照片，并使用媒体模型对语音消息进行语音转文字，该模型必须能接受图像和音频。在设置中或通过 OPENAI_MEDIA_MODEL 进行配置，例如 OpenRouter 上的 google/gemini-3.5-flash-lite。只有在你点击按钮时才会生成描述；使用本地模型和离线模式时，照片永远不会离开你的电脑。
text
<语音消息 0:05：“说了什么”>当某一种类占主导时，风格档案会说明这一点，例如“主要用语音消息交谈（10 条中有 10 条）”。
大型媒体库
一个长聊天可能包含数万个贴纸、GIF 和照片。媒体库可以帮助你把模型的 token 用在最重要的地方：
| 控件 | 作用 |
|---|---|
| 类型标签 | 全部、缺失、已描述、贴纸、GIF、照片、视频、语音，并显示数量 |
| 排序 | 最常用（默认）、最少用、最近使用、最早使用 |
| 使用次数 | 隐藏使用次数少于 2、3、5、10 或 25 次的项目 |
| 搜索 | 在描述和 ID 中搜索 |
用 AI 描述 N 项会按所选顺序从上到下，每次四个，描述当前显示的、尚未描述的项目。每个描述一到达就会被保存。进度行会显示已完成的数量、失败数、速度和剩余时间。同一个按钮会变成停止：你可以随时停止，下一次运行会从剩余的项目继续。大型聊天的一个好的开始方式是：最常用的优先，以及使用 3 次或以上。
你的语音消息
输入框为空时，发送按钮会变成一个麦克风，就像 Telegram 中一样。录音会在浏览器中转换为 WAV，然后上传并转为文字。分享链接的访客也可以录音。
INFO
浏览器只允许在 https:// 或 localhost 上录音。
角色的照片和语音
连接一个能生成图像的 MCP 服务器，以及一个能说话的服务器：
json
{
"img": {"command": "npx", "args": ["-y", "@dtst/img"],
"env": {"OPENAI_BASE_URL": "https://openrouter.ai/api/v1", "OPENAI_API_KEY": "${OPENAI_API_KEY}", "OPENAI_MODEL": "meta/muse-image"}},
"tts": {"command": "npx", "args": ["-y", "@dtst/tts"],
"env": {"OPENAI_BASE_URL": "https://openrouter.ai/api/v1", "OPENAI_API_KEY": "${OPENAI_API_KEY}",
"OPENAI_MODEL": "google/gemini-3.8-flash-lite-tts", "OPENAI_VOICE": "Laomedeia"}}
}这样，角色会多出两个动作：
| 动作 | 作用 |
|---|---|
send_voice {text} | 调用语音工具（WAV 格式，失败时以 mp3 重试）并发送一条语音消息 |
send_photo {prompt, caption?} | 调用图像工具并发送一张照片 |
- 连接了语音工具时，角色自己转写的语音消息会以
send_voice的形式重放，让模型以它能够延续的形式看到这种习惯。 - 聊天详情中的语音（例如
Puck）可以为角色提供它自己的声音。 - MCP 工具返回的任何其他图像或音频都会成为聊天媒体
gen_…（按内容检查，最大 25 MB，并随聊天一起删除）。
费用
每张照片或每条语音消息都是一次额外的付费调用：使用 meta/muse-image 时每张图片约 0.01 美元，以及几秒钟的 TTS。