El modelo de vídeo de Alibaba: un Transformer unificado de 15 000 millones de parámetros. Audio nativo en una sola pasada, sincronización labial en 7 idiomas, hasta 15 segundos en 1080p. Cuatro modos: T2V, I2V, Reference-to-Video y edición de un clip existente.
Cuatro modos en un solo modelo, sin cambiar de herramienta
Describa la escena con palabras y el modelo devuelve un clip de hasta 15 segundos con audio sincronizado y física de movimiento realista. Sin TTS aparte, sin edición.
Suba una imagen y el modelo añade movimiento, cámara fluida, viento, cambios de iluminación y audio sincronizado. Se conserva el estilo original.
Aporte de 1 a 9 imágenes de referencia del protagonista y el modelo mantiene su rostro, su vestuario y sus proporciones coherentes en cada fotograma durante los 15 segundos completos. Un modo que ningún otro modelo ofrece.
Suba un MP4 (hasta 100 MB, de 3 a 60 s) y describa el cambio: sustituya el fondo, cambie la hora del día, añada objetos o modifique el estilo de la escena. Se conserva el ritmo de la edición.
Un Transformer unificado, sin atención cruzada, emite la pista de vídeo y la de audio de forma síncrona. Así se elimina el desfase típico de los flujos de TTS en dos etapas.
Sincronización completa de la forma de la boca en inglés, mandarín, cantonés, japonés, coreano, alemán y francés. Los prompts pueden escribirse en cualquiera de ellos, hasta 2500 caracteres.
Sin configurar ninguna API: Clipia ya tiene HappyHorse 1.0 integrado
Cuatro modos en un solo modelo: T2V para texto, I2V para animar una foto, R2V para mantener un personaje y Edit para cambiar el estilo de un clip existente.
Escriba un prompt de hasta 2500 caracteres en cualquiera de los 7 idiomas admitidos. El paisaje sonoro se describe directamente en el prompt.
Elija una duración de 3 a 15 segundos, 720p o 1080p y la relación de aspecto que necesite (16:9, 9:16, 1:1, 4:3, 3:4).
~38 segundos para un clip de 5 segundos en 1080p. El audio va incluido en el archivo, sin edición adicional.
Dónde HappyHorse 1.0 aporta más valor
Reels, Shorts y TikTok con música y efectos integrados. 9:16, 15 segundos, sin edición de audio aparte.
Clips de vídeo de nivel publicitario. Reference-to-Video mantiene la coherencia de un personaje de marca a lo largo de toda una serie de creatividades.
Fotos fijas, retratos e ilustraciones cobran vida: el modelo añade movimiento conservando el aspecto y el estilo del original.
Las fotos de catálogo se convierten en clips cinematográficos, con cámara fluida, iluminación y textura de los materiales representadas en movimiento.
Escenas breves con diálogos, música y sonido ambiental: la base de webseries independientes y clips al estilo pódcast.
Un guion, varias pistas de idioma. Sincronización labial en 7 idiomas sin locución aparte ni nuevo rodaje.
Todo lo que necesita saber sobre HappyHorse 1.0
HappyHorse 1.0 es un modelo de vídeo de Alibaba ATH dirigido por Zhang Di, antiguo arquitecto técnico de Kling AI. Es un Transformer unificado de 40 capas y 15 000 millones de parámetros que genera vídeo y audio en una sola pasada. El modelo apareció de forma anónima en Artificial Analysis el 7 de abril de 2026 y alcanzó el n.º 1 en 24 horas. El 10 de abril, Bloomberg y CNBC revelaron que su autor era Alibaba.
En la prueba ciega de AA Arena, HappyHorse supera a Seedance 2.0 en las dos categorías sin audio: T2V 1366 frente a 1273 e I2V 1391 frente a 1356. Con audio la situación se invierte: Seedance 2.0 mantiene el n.º 1 (T2V 1219, I2V 1162) y HappyHorse queda en el n.º 2 (1204 / 1159). Si le importan la física del movimiento, la óptica y la estabilidad del sujeto sin banda sonora, gana HappyHorse. Si la prioridad es una pista de audio nativa, Seedance 2.0 va por delante por un margen pequeño.
Por tres razones. En arquitectura, es un Transformer unificado sin atención cruzada que emite vídeo y audio en una sola pasada, algo que antes solo hacían los modelos insignia cerrados. En pruebas comparativas, alcanzó el n.º 1 de AA Arena de forma anónima en las 24 horas posteriores a su lanzamiento, por delante de Seedance, Kling, PixVerse y SkyReels. En alcance, cuatro modos conviven en un solo modelo (T2V/I2V/R2V/Edit) en lugar de cuatro productos distintos.
En Artificial Analysis Video Arena, una clasificación independiente basada en pruebas ciegas, HappyHorse ocupa el n.º 1 en las dos categorías sin audio: texto a vídeo (ELO 1366) e imagen a vídeo (ELO 1391). En física del movimiento, óptica y estabilidad del sujeto, el modelo es actualmente la opción de acceso público más potente. Con audio queda en el n.º 2.
Cuatro modos en un solo modelo: texto a vídeo (T2V), a partir de un prompt; imagen a vídeo (I2V), para dar vida a una imagen fija; Reference-to-Video (R2V), para mantener la identidad del sujeto durante todo el clip; y edición de vídeo, para cambiar el estilo de un clip existente con una instrucción de texto. Todos los modos admiten audio y sincronización labial.
HappyHorse usa un Transformer unificado sin atención cruzada: el flujo de vídeo y la pista de audio se generan conjuntamente en una sola pasada. Así se elimina el desfase habitual en los flujos de TTS en dos etapas. Puede describir el paisaje sonoro directamente en el prompt y el modelo lo usará al sonorizar el clip.
En siete idiomas, con sincronización completa de la forma de la boca: inglés, mandarín, cantonés, japonés, coreano, alemán y francés. Los prompts pueden escribirse en cualquiera de ellos, hasta 2500 caracteres.
720p y 1080p. Cinco relaciones de aspecto: 16:9, 9:16, 1:1, 4:3, 3:4. I2V acepta JPEG, PNG y WEBP de hasta 10 MB; la edición de vídeo acepta MP4 o MOV de hasta 100 MB y de 3 a 60 segundos de duración.
De 3 a 15 segundos, en pasos de 1 segundo (cualquier número entero). El tiempo medio de generación es de unos 38 segundos para un clip de 5 segundos en 1080p. Para narraciones más largas, puede encadenar varios clips con el mismo personaje mediante R2V.
El precio empieza desde 30 créditos y depende de la duración y la resolución. El importe exacto se muestra antes de iniciar la generación. El audio y la sincronización labial están incluidos: no hay un cargo aparte por la banda sonora.
