登录
创作者与电影人
预演分镜、试运镜，并生成多语言对白，无需单独配音管线。适合动态分镜、社交媒体短片与视觉探索。
阿里巴巴未来生活实验室
HappyHorse 1.0 — 画面与声音一次生成
150 亿参数视频模型，在同一次推理中生成画面、运动与声音。写下场景或放入参考图，即可得到带口型同步对白的电影级短片。
HappyHorse 1.0 创作
文生视频、图生视频、参考生视频，原生音频一并输出。支持 3–15 秒、720p 或 1080p。
0 / 2500
3秒
3–15 秒
所需积分：150
示例视频
（生成的视频结果将显示在此处）
多数视频模型先出画面再补声音。HappyHorse 1.0 把文本、视频与音频编码进同一条序列——关门声、雨声和对白都属于同一个瞬间。
为什么选择 HappyHorse 1.0
画面与声音一次完成
150 亿参数 Transformer 同时关注文本、视频与音频。口型与语音在音素级一并生成，而不是事后贴轨。
主体身份更稳
人脸、服装与产品在运动中不易漂移。参考生视频最多锁定 9 张视觉锚点，角色或 SKU 全程更一致。
更懂导演语言
可描述景别、运镜、时长与声音设计。模型会把「三秒缓推、左侧窗光」当成结构，而不只是氛围词。
盲测排名靠前
在 Artificial Analysis Video Arena，HappyHorse 1.0 在文生视频与图生视频中均位列前列——评委看不到模型名称。
面向要交付短视频的人，而不只是试用。核心是人：面孔、说话与必须在时间线上站得住的产品。
谁适合用 HappyHorse 1.0
品牌与营销团队
把主视觉静帧做成动态，并在多个版本中保持同一模特或产品。够快做概念，也够锐投放。
电商与产品视频
让商品图动起来，用参考图锁定 SKU 外观，并在同一次生成中加入环境声或可配音的音频。
同一套 150 亿参数系统驱动全部工作流。画面与音频同时生成，并以人物表现为主要设计目标。
HappyHorse 1.0 能力
视频与音频联合生成
画面、运动、语音与环境声来自同一次前向计算。关门与咔哒声是同一个决策，不是两条管线。
音素级口型同步
嘴型跟随语音发音，而不只是词语。适合口播、演讲与人物特写，覆盖六种语言。
图生视频锁定第一帧
你的静帧就是精确开场。运动延续时，体重、视线与产品几何仍然可信。
多参考身份控制
最多 9 张参考图可固定角色、服装与产品，让系列镜头视觉对齐。
分镜级提示词
远景开场、定时推进与声音备注会被解读成分镜结构，更接近导演简报。
可交付的尺寸规格
720p 或 1080p，3–15 秒，横竖构图覆盖信息流、Stories 与主视觉位。
四种工作流，同一套架构。用文字、静帧、参考图或声音意图选择入口。
HappyHorse 1.0 系列
继续了解
在本页生成，对比套餐，或继续使用平台上的其他模型。
HappyHorse 1.0 常见问题
本页汇总 HappyHorse 1.0 公开信息，我们与阿里巴巴无隶属关系。