几乎所有的文字转语音产品，本质上都是一个套了界面的 API。你粘贴文字，它发到服务器， 音频传回来，然后按字符收费。音绘反过来做：模型跑在你自己的机器上。
这个选择有实实在在的代价，值得说清楚。
代价：第一次下载
语音模型很大。第一次用某个模型时，你得等它下载完，而且它会占掉不少磁盘空间。 这一点绕不过去——想把模型放在本地，就得付这个价。
换回来的东西
不按字数计费。 模型落盘之后，生成一本九万字的有声书，和生成一句话，花的钱一样多： 零。这是长内容创作里最要紧的一个差别，也是定价页上没有任何用量档位的原因。
稿子不出本机。 对很多人来说这是个合规问题，而不是理念问题——尚未发布的剧本、 客户的内部培训材料、签了保密协议的书稿。本地合成意味着，没有哪次上传需要你向谁解释。
没网也能用。 在飞机上，在信号糟糕的酒店 Wi-Fi 下，在完全没有信号的房间里。 网络变差的时候，应用不会跟着变差。
没有速率限制，队列只有你自己的。 决定生成速度的只有两样东西：你的硬件， 以及你自己设的并发上限。
唯一的例外
自动角色分析——那个读完一本小说、然后建议哪个角色该配哪种声音的功能——是例外， 也正因如此它需要你主动开启。它要调用语言模型，而能把这件事做好的语言模型， 目前还塞不进同样的本地约束里。所以它需要你自己的 Anthropic、OpenAI 或 DeepSeek 的 API Key；运行时，相关文本会发送到你配置的那一家。
如果你从不开启它，你的文稿就永远不会碰到网络。这条边界是刻意划的， 划在这个位置，是为了让你自己决定要站在哪一边。