HappyHorse-1.0 de Alibaba: líder de Video Arena en abril de 2026
Presentación, demos reales en ocho escenarios, ficha técnica completa y la receta para su primer clip
El 27 de abril de 2026, Alibaba lanzó oficialmente HappyHorse-1.0, el modelo que subió al n.º 1 del Artificial Analysis Video Arena de forma anónima a principios de abril y, a 28 de abril de 2026, mantenía el primer puesto en las dos categorías sin audio: Elo T2V 1,332 (sin audio) y Elo I2V 1,391. En Clipia el modelo ya está disponible en cuatro modos: Text-to-Video, Image-to-Video, Reference-to-Video y Video Edit.
En este artículo repasamos la historia de su lanzamiento en secreto, clips de demostración reales de la presentación pública, la ficha técnica completa y cómo publicar su primer clip con HappyHorse-1.0 en pocos minutos.
Abrir HappyHorse-1.0 en Clipia →
Del lanzamiento en secreto al modelo público: la historia de HappyHorse-1.0
El 7 de abril de 2026 apareció en Artificial Analysis Video Arena una entrada titulada «HappyHorse-1.0», sin logotipo del desarrollador ni whitepaper. En 24 horas alcanzó el n.º 1 en Text-to-Video e Image-to-Video con una ventaja récord de 74 puntos Elo sobre el anterior líder, Seedance 2.0. Caixin Global informó de que el modelo acumuló más de 12.000 comparaciones a ciegas por pares en las primeras 48 horas.
El 10 de abril, Bloomberg y CNBC confirmaron a la vez que el autor era Alibaba y que se había desarrollado dentro de DAMO Academy. Diecisiete días después, el 27 de abril de 2026, llegó el lanzamiento público. Desde ese día, las plataformas de terceros pueden integrar el modelo, y desde el primer momento está disponible en cuatro variantes de uso.
¿Por qué un lanzamiento anónimo? Alibaba fue directa: para recoger votos limpios de los usuarios sin el sesgo de la marca. Un clip con la etiqueta «Alibaba» habría sesgado los votos en ambos sentidos: unos lo habrían favorecido y otros lo habrían votado en contra por defecto. La prueba anónima dio el benchmark más honesto.
Qué nos dice el Elo en Video Arena
Artificial Analysis Video Arena es el estándar del sector para evaluar modelos de vídeo. El formato está tomado de LM Arena para modelos de lenguaje: los usuarios ven dos clips generados por modelos distintos a partir del mismo prompt y votan «gana el de la izquierda / gana el de la derecha / empate». La puntuación Elo se calcula a partir de muchas comparaciones, como en el ajedrez.
Posiciones de HappyHorse-1.0 a 28 de abril de 2026:
- Text-to-Video (sin audio): n.º 1, Elo 1,332. 59 puntos de ventaja sobre Seedance 2.0.
- Text-to-Video (con audio): n.º 2, Elo 1,204. El primer puesto es de Veo 3.1 Quality (audio sincronizado nativo).
- Image-to-Video (sin audio): n.º 1, Elo 1,391. 66 puntos de ventaja sobre Seedance 2.0.
- Image-to-Video (con audio): n.º 2, Elo 1,159. De nuevo lidera Veo 3.1.
Una diferencia de 100 puntos Elo significa que el modelo más fuerte gana el 64% de las comparaciones. La ventaja de 59-66 puntos de HappyHorse se traduce en aproximadamente un 58% de victorias en pruebas a ciegas. En un sector en el que los mejores modelos suelen estar separados por 10-25 puntos Elo, es una diferencia considerable.
Qué puede hacer HappyHorse-1.0: generaciones reales
Los ocho clips de abajo son generaciones reales de HappyHorse-1.0 de la presentación pública. Muestran dónde destaca realmente el modelo y por qué superó a Seedance 2.0 en el Arena.
1. Física de líquidos
La ventaja más visible de HappyHorse es la física correcta de fluidos y cuerpos blandos, justo el terreno en el que los modelos anteriores se desvían rápido: la leche se convierte en papilla, el café se congela en el aire, el agua pierde la forma al chocar.
2. Movimiento preciso e impacto
En escenas con acciones rápidas y precisas, lo importante no es solo la animación, sino conservar la geometría de los objetos entre fotogramas. HappyHorse mantiene la forma del palo, la pelota y los zapatos sin desenfoque incluso en el momento del contacto.
3. Física compleja de hilos y articulaciones
Una marioneta de hilos es una prueba de estrés clásica para los modelos de vídeo. El modelo tiene que mantener a la vez la forma de la marioneta, la reacción de las articulaciones y el movimiento de los hilos en las manos del titiritero.
4. Planos largos con mucho detalle
HappyHorse ofrece hasta 15 segundos de vídeo coherente sin la sensación de «empalme». Eso permite planos de seguimiento largos y escenas de interior complejas que los modelos anteriores solo podían simular con cortes explícitos.
5. Atmósfera, viento, retratos en exteriores
En escenas exteriores, HappyHorse destaca claramente por su viveza: telas, cabello, luz ambiental. Lo más importante: el retrato se mantiene estable durante toda la duración, sin desviaciones en el rostro.
6. Movimiento natural de niños
La cinética infantil es una categoría de dificultad aparte: movimientos impredecibles, proporciones pequeñas, oclusiones frecuentes. El modelo tiene que mantener un objeto en las manos sin «perder» al personaje con los cambios rápidos de postura.
7. Humor y escenas surrealistas
HappyHorse resuelve con la misma seguridad escenas realistas y ligeramente surrealistas. El modelo no se rompe con entradas inusuales: construye con cuidado la física dentro de una situación imaginada.
8. Image-to-Video: retrato emotivo
I2V es donde más brilla HappyHorse. Dele una sola foto y el modelo la anima conservando los rasgos faciales, la iluminación y la composición. En retratos como este, la competencia se desvía hacia el cuarto segundo; HappyHorse mantiene la identidad durante los 10-15 completos.
Anime su foto con HappyHorse I2V →
Especificaciones técnicas y parámetros
La tabla siguiente describe los modos y los límites actuales de la interfaz de Clipia. Para Video Edit, el estudio acepta un clip de origen de 3–15 segundos y hasta 9 imágenes de referencia; compruebe los ajustes disponibles en el formulario antes de empezar.
| Parámetro | T2V | I2V | R2V | Video Edit |
|---|---|---|---|---|
| Entrada obligatoria | prompt | imagen (1) | prompt + 1-9 imágenes de referencia | vídeo + prompt |
| Duración | 3-15 s (por defecto 5) | 3-15 s | 3-15 s | salida de hasta 15 s, entrada de 3–15 s |
| Resolución | 720p / 1080p | 720p / 1080p | 720p / 1080p | 720p / 1080p |
| Relación de aspecto | 16:9, 9:16, 1:1, 4:3, 3:4 | heredada de la imagen | 16:9, 9:16, 1:1, 4:3, 3:4 | heredada del vídeo |
| Longitud del prompt | hasta 5.000 caracteres | hasta 5.000 caracteres | hasta 5.000 caracteres | hasta 5.000 caracteres |
| Recursos adicionales | — | 1 imagen (≥300px, 1:2.5-2.5:1) | 1-9 imágenes (≥400px) | hasta 9 imágenes de referencia; ajustes de audio en el formulario |
| Seed | 0 - 2³¹ | 0 - 2³¹ | 0 - 2³¹ | 0 - 2³¹ |
| Abrir | T2V → | I2V → | R2V → | Edit → |
Qué tener en cuenta al preparar las entradas:
- I2V no acepta la relación de aspecto como parámetro: se hereda de la imagen de entrada. ¿Necesita vídeo vertical para Reels o TikTok? Use una imagen 9:16.
- Mínimo 300 píxeles en el lado corto para I2V, 400 píxeles para R2V. Por debajo de eso, la entrada se rechaza.
- Reference-to-Video con 9 imágenes es el modo de varios personajes. A cada sujeto se le hace referencia en el prompt mediante
@character1,@character2, etc. - Video Edit en el estudio de Clipia acepta hasta 9 imágenes de referencia: útil para cambiar el estilo de una escena manteniendo fija la identidad del personaje principal.
HappyHorse vs Wan 2.7: la misma empresa, equipos distintos
El malentendido más habitual en los comentarios: «HappyHorse no es más que Wan 2.7 con otro nombre». Alibaba lo desmintió oficialmente en su declaración a Bloomberg. Dentro de DAMO Academy trabajan en paralelo varios equipos de generación de vídeo, y HappyHorse-1.0 es un proyecto independiente, no un descendiente de la familia Wan.
| Característica | Wan 2.7 | HappyHorse-1.0 |
|---|---|---|
| Arquitectura | Transformer de doble flujo con modo de razonamiento | Transformer de flujo único |
| Punto fuerte | Descripciones textuales largas, multi-shot | Fotorrealismo, física, consistencia en I2V |
| Longitud del prompt | hasta 10.000 caracteres | hasta 5.000 caracteres |
| Duración | hasta 15 segundos | hasta 15 segundos |
| Audio nativo en el estudio actual de Clipia | incluido (T2V e I2V) | incluido (T2V e I2V) |
| Reference-to-Video | hasta 3 imágenes | hasta 9 imágenes |
| En Clipia desde | marzo de 2026 | abril de 2026 |
En la práctica: Wan 2.7 es mejor para prompts narrativos largos y escenarios del tipo «descríbalo todo con detalle y el modelo completa el resto». HappyHorse gana con prompts cortos centrados en lo visual: encuadre, iluminación, material, física. Más cerca del flujo de trabajo de un fotógrafo que del de un guionista.
Comparación con los principales competidores: Seedance 2.0, Kling 3.0, Veo 3.1, Grok Imagine
Instantánea histórica de la clasificación y de la comparativa a 28 de abril de 2026. Estos parámetros no describen la interfaz actual de Clipia: Seedance 2.0 ya admite sonido y clips de hasta 15 segundos, y Wan 2.7 incluye sonido nativo. Consulte la ficha del modelo y el formulario del estudio para conocer las capacidades actuales del modo que elija.
| Modelo | Elo T2V | Elo I2V | Audio nativo | Duración | Abrir |
|---|---|---|---|---|---|
| HappyHorse-1.0 | 1,332 (n.º 1) | 1,391 (n.º 1) | sí | hasta 15 s | Abrir → |
| Seedance 2.0 | 1,273 (n.º 2) | 1,325 (n.º 2) | no | hasta 12 s | Abrir → |
| Wan 2.7 | 1,298 | — | no | hasta 15 s | Abrir → |
| Kling 3.0 | 1,254 | 1,298 | opcional | 3–15 s (3/5/8/10/15; Multi-Shot) | Abrir → |
| Veo 3.1 Quality | 1,241 | 1,277 | sí (sincronizado) | 8 s | Abrir → |
| Grok Imagine Video | 1,195 | 1,218 | no | hasta 10 s | Abrir → |
Cuándo elegir cada uno:
- HappyHorse-1.0: fotorrealismo, física, planos largos y audio como extra. La opción principal por defecto para la mayoría de los trabajos, sobre todo cuando necesita consistencia en I2V.
- Seedance 2.0: la mejor relación calidad-coste del mercado. La variante Fast en Clipia (desde el 16 de abril de 2026) es 2-3 veces más barata que la versión base con un resultado comparable.
- Wan 2.7: prompts narrativos largos en inglés o chino, manejo preciso de muchos objetos en una escena.
- Kling 3.0 Multi-Shot: escenas conectadas a partir de prompts separados en un flujo de trabajo multiescena dedicado.
- Veo 3.1 Quality: un modelo con audio sincronizado (diálogos, frases, efectos precisos al fotograma). La opción para anuncios cortos y clips de TikTok con voz.
- Grok Imagine Video: una opción de nicho para estilos surrealistas y artísticos en los que los modelos generalistas resultan genéricos.
Cómo generar un vídeo con HappyHorse-1.0 en Clipia
El modelo está disponible en el estudio de vídeo. Elija «Texto a vídeo» para trabajar con un prompt, «Imagen a vídeo» → «Una imagen» para una imagen fija, «Imagen a vídeo» → «Referencias» para varias imágenes o «Editar vídeo» → «Con un prompt» para un clip existente. Los enlaces siguientes abren el modo correspondiente con el modelo ya seleccionado:
Text-to-Video: el primer clip en un minuto
Abra la pestaña «Texto a vídeo», ajuste la duración a 5-10 segundos y la relación de aspecto a su plataforma (16:9 para YouTube, 9:16 para Reels y los vídeos redondos de Telegram). HappyHorse responde bien a prompts visuales cortos: más no es mejor. El punto óptimo es estilo + escena clave + movimiento de cámara + atmósfera.
Cinematic long take: a lone figure walks across a deserted
beach at sunset, warm golden light, drone shot with slow rise,
gentle wind moving hair and clothing, soft surf on the soundtrack,
photorealistic, 1080pSi quiere sonido, en el modo T2V se activa automáticamente. Basta con describirlo con palabras: «soft footsteps on sand», «distant ocean waves», «cinematic ambient music».
Image-to-Video: dar vida a una imagen fija
Abra «Imagen a vídeo» → «Una imagen» y suba una imagen (mínimo 300 píxeles en el lado corto, JPEG/PNG/WebP). El prompt es opcional: el modelo inventará por sí mismo un movimiento natural. Pero si quiere control, describa el tipo de movimiento y su intensidad.
The scene comes alive with smooth cinematic motion, gentle
camera push-in, soft lighting shifts revealing new details,
atmospheric particles drifting through the frame, natural
micro-movementsPara la imagen de entrada recomendamos nuestro propio Nano Banana Pro: mantiene la composición y el texto mejor que cualquier otro modelo del catálogo, lo que se traduce directamente en una animación más limpia después.
Reference-to-Video: escenas con varios personajes
Abra «Imagen a vídeo» → «Referencias». El modo admite de 1 a 9 imágenes de referencia. A cada personaje se le hace referencia en el prompt mediante @character1, @character2, etc. Es el modo más controlable para escenas complejas con diálogo e interacción.
@character1 walks toward @character2 on a sun-drenched city
street, both smiling, exchanging a handshake in slow motion,
light rays and atmospheric dust creating a warm golden glow,
cinematic medium shotVideo Edit: reescribir un clip existente
Abra «Editar vídeo» → «Con un prompt», suba un vídeo terminado (3–15 segundos, hasta 2.160 píxeles en el lado largo) y describa qué cambiar: estilo, iluminación, hora del día, efectos. Puede adjuntar hasta 9 imágenes de referencia para fijar la dirección visual. Revise los ajustes disponibles y el coste en «Editar vídeo». El resultado aparece en el estudio y en «Mis tareas»; seleccione «Descargar» para guardarlo.
Preguntas frecuentes
¿Cuándo llegó HappyHorse-1.0 a Clipia?
El modelo se añadió al catálogo de Clipia el 28 de abril de 2026, el día después del lanzamiento público de Alibaba. Están disponibles los cuatro modos: Text-to-Video, Image-to-Video, Reference-to-Video y Video Edit.
¿Cuántos créditos cuesta una generación?
El coste depende de la duración y la resolución. Los precios actualizados están en el catálogo de modelos y en la matriz de producción: https://clipia.ai/api/models/happy-horse-t2v/pricing-matrix. En Clipia, 1 crédito ≈ $0.04 (plan Basic: 240 créditos por $10).
¿En qué se diferencia HappyHorse-1.0 de Wan 2.7? Los dos son de Alibaba.
Ambos modelos proceden de DAMO Academy, pero de equipos distintos con arquitecturas distintas. Wan 2.7 es un Transformer de doble flujo con modo de razonamiento, ajustado para prompts textuales largos y salida multi-shot. HappyHorse es de flujo único y se centra en el fotorrealismo, la física y la consistencia en I2V. El estudio actual de Clipia ofrece audio nativo con ambos modelos; elija según la tarea y compruebe los ajustes del modo seleccionado.
¿Por qué HappyHorse superó a Seedance 2.0 en el Arena?
Las principales ventajas: física mejorada de fluidos y cuerpos blandos, planos largos ininterrumpidos sin degradación del estilo y una consistencia del sujeto bastante mejor en Image-to-Video. En la clasificación del 28 de abril de 2026, HappyHorse superaba a Seedance 2.0 en la categoría I2V por 66 puntos Elo, lo que se traduce en aproximadamente un 58% de victorias en pruebas a ciegas.
¿Qué es la puntuación Elo para modelos de vídeo?
Elo es un sistema de puntuación procedente del ajedrez adaptado a los modelos de IA. En Artificial Analysis Video Arena, un usuario ve dos clips de modelos distintos para el mismo prompt y elige el mejor. A partir de cientos de miles de comparaciones se calcula una puntuación numérica. Una diferencia de 100 puntos significa que el modelo más fuerte gana el 64% de las veces.
¿Acepta prompts en otros idiomas además del inglés?
Sí, HappyHorse-1.0 admite prompts multilingües, entre ellos inglés, chino, ruso, español y otros. En la práctica, lo que mejor funciona es mezclar: describa la escena y la historia en su idioma y añada términos de cinematografía en inglés («slow dolly push-in», «shallow depth of field», «backlit golden hour»). Para prompts narrativos largos en chino, Wan 2.7 sigue teniendo ventaja.
¿Para qué plataformas y en qué formatos genera el modelo?
HappyHorse genera MP4 en 720p o 1080p, a 24 fps. La relación de aspecto se elige en cada generación: 16:9 para YouTube y ordenador, 9:16 para Reels, Shorts y los vídeos redondos de Telegram, 1:1 para publicaciones cuadradas de Instagram, 4:3 y 3:4 para composiciones artísticas y de estilo vintage. La duración va de 3 a 15 segundos por generación.
Pruébelo usted mismo en Clipia
60+ modelos para generar vídeo e imágenes. Una sola cuenta y precios transparentes.
