用途：阿里云 Model Studio EMO 用于将人物图像与语音音频合成为富有表现力的说话人像视频，属于非 Wan 系列方案，面向人像类输入。
主要能力与接口：标准化接口为 video.emo，分两步。先执行检测请求，model 可选，默认 emo-v1-detect，需提供 image_url（必填），得到 face_bbox 与 ext_bbox；检测成功后再执行生成请求，model 默认 emo-v1，需提供 image_url、audio_url、face_bbox、ext_bbox（均必填），style_level 可选，取值为 normal、calm 或 active。响应包含 task_id、task_status，任务完成后返回 video_url。关键模型名必须使用 emo-v1-detect 与 emo-v1。
使用方式：需在中国大陆（北京）区域使用，设置环境变量 DASHSCOPE_API_KEY，或在 ~/.alibabacloud/credentials 中添加 dashscope_api_key；输入文件须为公开 HTTP/HTTPS URL。快速开始示例： python skills/ai/video/aliyun-emo/scripts/prepare_emo_request.py --image-url "https://example.com/portrait.png" --audio-url "https://example.com/speech.mp3" --face-bbox 302,286,610,593 --ext-bbox 71,9,840,778 --style-level active 可先做校验：mkdir -p output/aliyun-emo 后执行 py_compile 校验脚本，通过标准为命令退出码 0 且生成校验文件。默认输出 output/aliyun-emo/request.json，可用 OUTPUT_DIR 覆盖基础目录；归一化请求载荷、检测框与任务轮询快照保存到 output/aliyun-emo/ 下，并记录所选 style_level 与确切的 face_bbox / ext_bbox。
适用场景与限制：适合人像图片加语音音频、需要非 Wan 富有表现力说话人像结果的场景；不要臆造 face_bbox 或 ext_bbox，应使用检测接口输出；ext_bbox 比例决定输出格式，1:1 为 512x512，3:4 为 512x704；保持输入人像清晰、正面以提升表情质量。EMO 偏向人像，全场景人物视频应改用其他技能。其他信息暂未提供。