用途：该技能集通过一个统一脚本调用阿里云百炼的多模态模型，覆盖图像生成与编辑、视频生成与编辑、语音识别（ASR）和语音合成（TTS）。
主要能力：图像生成支持 z-image-turbo、wan2.6-t2i、wan2.7-image-pro；图像编辑使用 wan2.7-image-pro，可传入多张输入图；视频编辑使用 wan2.7-videoedit；ASR 使用 qwen3-asr-flash；TTS 使用 qwen3-tts-flash；文生视频支持 wan2.7-t2v、wan2.6-t2v、pixverse/pixverse-v5.6-t2v、kling/kling-v3-video-generation；图生视频支持 wan2.7-i2v、wan2.6-i2v-flash、wan2.6-i2v、pixverse/pixverse-v5.6-it2v、kling/kling-v3-video-generation；参考生视频支持 wan2.6-r2v-flash、wan2.6-r2v、pixverse/pixverse-v5.6-r2v。
使用方式：统一入口为 uv run {baseDir}/scripts/run_multimodal.py，通过 --mode 指定 image、image-edit、asr、tts、t2v、videoedit、i2v、r2v 等模式，并配合 --model、--prompt、--output 等参数。API Key 读取优先级为命令行 --api-key、环境变量 DASHSCOPE_API_KEY、配置文件 ~/.config/bailian-multimodal/api_key.txt。
适用场景：需要批量生成图像、制作短视频、进行语音转写或语音合成的多模态内容生产流程。
限制：wan2.7-t2v 不支持 --shot-type，需在提示词中用自然语言描述镜头；PixVerse 与 Kling 以 URL 方式提交媒体，若后端拒绝 file:// 需改用公网 HTTP/HTTPS URL；wan2.7-videoedit 计费按输入视频时长加输出视频时长计算。其余收费、价格与平台细节暂未提供。