阿里巴巴研究团队开发了一款名为「EMO」的 AI 框架，能通过输入人物照片和音频实现对口型，让照片中的人物开口说话，支持中英韩等语言。该框架基于英伟达的 Audio2Video 扩散模型，经过超过 250 小时的专业视频训练。研究团队已在 ArXiv 上发布模型工作原理，并在 GitHub 上开源项目。EMO 框架的工作过程分为特征提取和视频生成两个阶段，并融合了两种注意机制和时间模块以确保视频的自然流畅。实验表明，EMO 在生成说话视频和歌唱视频方面优于现有竞品。