协议 1.42026-07-06
终端多媒体整套落地:图片 · 音频 · AI 生成图 · SVG 地图
发图。图片像 Claude Code 一样直接粘贴或者拖进输入框回车就发给全桌,聊天流里有内联预览。推荐使用 Ghostty、WezTerm 一类的现代终端工具,走 kitty graphics 协议真像素原生渲染图片。Win11 自带的 Windows Terminal 1.22+ 虽然也做了自动检测走 sixel,但图片排版不确定能不能像其他支持 kitty graphics 协议的一样好和稳定。啥都不支持的(比如 mac 自带终端)会回落成半块字符画的形式输出,体验明显会差些。
音频。守秘人可以建房间音乐库,分 .bgm / .ambience / .sfx 三种。音频文件会传输到各家客户端本地播放,其中背景音乐循环放,环境音铺底,音效一次性。暂时只能由守秘人手动使用以上指令播放,以后打算做个 skill 由多模态模型 KP 自动选择播放。
AI 生成图。这个倒是已经可以通过 skill 让 AI 自动干了。配一个画图模型的 key,开 skill 开关,KP 就会在换场景、重要 NPC 登场这种时刻生成场景图/立绘发全桌。也能生成头像挂在队伍面板上。酒馆卡导进来的角色自动用卡面当头像。
画地图/房间结构。顺带还加了画地图功能,不是用的 AI 生成图片——那个生成地图随机性太大了完全不可控,文字标注信息也不可读。我是通过一套 skill 里的提示词和工具包让它写 SVG 矢量图生成的。为了安全考虑只放行了 SVG 静态安全子集,不过够用了。