智東西
作者 陳駿達
編輯 心緣

智東西4月27日報道，今天，阿里ATH創(chuàng)新事業(yè)部的最新視頻生成與編輯模型HappyHorse 1.0（官方譯名：快樂小馬）開啟灰度測試。創(chuàng)作者可在阿里云百煉平臺和HappyHorse官網(wǎng)注冊使用，大眾用戶可在千問App中體驗。

在盲測平臺Arena.ai上，HappyHorse 1.0在文生視頻、圖生視頻、視頻編輯三個榜單上均排名第二，僅次于前段時間爆火的字節(jié)Seedance 2.0。為驗證HappyHorse 1.0的真實效果，我們進行了多維度的實測。

只需輸入簡單的文字描述，用戶就可用HappyHorse 1.0生成一段3s-15s長度的視頻，視頻中可以實現(xiàn)多鏡頭切換、連貫劇情等要素。

官網(wǎng)顯示，HappyHorse 1.0分辨率最高支持1080p，最多可同時生成4個視頻，生成720P和1080P視頻的刊例價分別為0.9元/s及1.6元/s，Pro套餐包月價格疊加限時折扣后為0.44元/s和0.78元/s。

同時，HappyHorse 1.0也出現(xiàn)在阿里旗下多款產(chǎn)品中，如阿里悟空、MuleRun和JVS Claw等Agent平臺。千問App預(yù)告，近期將上線“測一測”視頻玩法，測出用戶在短劇宇宙的本名角色后，通過HappyHorse 1.0生成用戶本人“出演”的角色短劇片段。

在這次實測中，我們發(fā)現(xiàn)了HappyHorse 1.0在指令遵循、生成速度方面的明顯優(yōu)勢，也看到了它在畫面物理準(zhǔn)確性、音畫同步等方面仍有提升空間。以下是我們提煉出的核心體驗要點：

（1）生成速度快：體驗過程中，生成一段視頻僅需約2-5分鐘，與其他視頻生成模型相比有一定競爭力。

（2）指令遵循能力強：能準(zhǔn)確理解并執(zhí)行復(fù)雜的提示詞要求，包括鏡頭運動、畫面構(gòu)圖、風(fēng)格氛圍等。

（3）多元素參考還原度高：圖生視頻中能準(zhǔn)確呈現(xiàn)所有上傳的參考元素，包括人物、場景、道具等。

（4）音畫同步仍有提升空間：人聲、音效等同步效果較好，但是在樂器演奏等復(fù)雜場景中，模型生成的手部動作與音頻節(jié)奏存在明顯錯位。

（5）長敘事易穿幫：10s以上的較長視頻中，容易出現(xiàn)物理bug，比如無外力物體自移動等等。

（6）文字渲染錯誤：畫面中出現(xiàn)的文字常出現(xiàn)亂碼或錯誤。

以下是我們的完整實測過程：

一、能理解800詞超長提示詞，物理真實性還有提升空間

我們的首批實測任務(wù)聚焦文生視頻能力。在這一場景中，模型的指令遵循能力、生成結(jié)果的物理準(zhǔn)確性、音畫同步效果等都是值得關(guān)注的能力點。

案例1：復(fù)雜動作與音畫同步

提示詞： 街頭音樂表演，鼓手敲擊節(jié)奏、吉他手彈奏旋律，觀眾圍成半圈隨節(jié)奏拍手并輕微擺動身體，氛圍熱烈，拉美風(fēng)格，傍晚暖色燈光，鏡頭緩慢推進。

HappyHorse 1.0的生成速度是一大亮點，下方視頻生成的耗時大概在2分鐘左右。從生成結(jié)果上來看，HappyHorse 1.0生成的人像沒有出現(xiàn)肢體異常、扭曲等問題，鏡頭運動、畫面燈光等元素符合提示詞要求。

音畫同步效果是這段視頻中的缺憾。吉他手的演奏和視頻里的音樂節(jié)奏不同步，尤其在某些快速掃弦和重拍落點上，畫面中的手部動作與音頻中的音符出現(xiàn)錯位，破壞了演奏的真實感與沉浸感。

案例2：物理真實性

提示詞： 海邊懸崖上，海浪猛烈拍打巖石，水花飛濺，天空烏云密布，風(fēng)吹動人物衣服和頭發(fā)，電影級真實感，慢動作。

在這一案例中，HappyHorse 1.0需要完成對物理世界的模擬，其難點在于對水體、風(fēng)這些元素的呈現(xiàn)。

最終，HappyHorse 1.0的生成結(jié)果很好地還原了波濤洶涌的效果，海浪與巖石的撞擊、海面上的泡沫都較為符合物理規(guī)律。

切換到人物后，主角頭發(fā)的飄動方向和衣服的飄動方向基本一致。美中不足的是，近景畫面中水滴滑落的速度不太符合物理規(guī)律，顯得略微慢了半拍。

案例三：超長提示詞

提示詞：

在這一案例中，我們考察了HappyHorse 1.0對復(fù)雜提示詞的理解能力。這段提示詞長達800詞，描述的是一個類似知名游戲《GTA》的實機演示畫面。

我們的提示詞對畫面中幾乎所有元素都進行了定義，包括人物、天氣、環(huán)境、建筑等等，HappyHorse 1.0對這些元素都做到了準(zhǔn)確呈現(xiàn)。

不過，開頭的第一個畫面出現(xiàn)了物理bug，車門在沒有受到外力的情況下自己關(guān)閉了。最后一個鏡頭中，主角出現(xiàn)了變化，這顯示出HappyHorse在這一案例中的一致性方面還有提升空間。

案例四：鏡頭語言與敘事感

提示詞： 夜晚城市街道，一名偵探在雨中行走，霓虹燈反射在濕漉漉的地面上，鏡頭從遠(yuǎn)景緩慢拉近到特寫，電影黑色風(fēng)格。

上方提示詞對運鏡方式、畫面風(fēng)格都做了細(xì)致的規(guī)定，這對HappyHorse 1.0的指令遵循能力提出要求。

最終，HappyHorse 1.0準(zhǔn)確呈現(xiàn)了從遠(yuǎn)景緩慢拉近到特寫的鏡頭要求，電影風(fēng)格呈現(xiàn)準(zhǔn)確，霓虹燈的光線和反射都較為自然，但畫面中的中文文字渲染有明顯錯誤。

在這一案例中，我們還采用了1080P的分辨率和最長的15s時長，可以看到，放大后的畫面細(xì)節(jié)依然較為清晰。

從這幾個案例來看，在提示詞要求較為詳細(xì)時，HappyHorse 1.0可以較好地理解并執(zhí)行復(fù)雜的畫面構(gòu)圖、鏡頭運動和風(fēng)格氛圍要求，生成的人物形體與基礎(chǔ)物理交互也相對穩(wěn)定；但在高精度音畫同步、微觀物理細(xì)節(jié)以及畫面中的文字渲染方面仍有提升空間。

二、最多支持9圖參考，實測讓奧爾特曼和馬斯克“對簿公堂”

除了文生視頻之外，HappyHorse 1.0也支持圖生視頻與視頻編輯，這些場景對一致性、穩(wěn)定性提出了較高要求。不過，在今天的實際測試過程中，我們始終未能成功體驗視頻編輯能力。

案例一：首幀模式

我們首先嘗試了圖生視頻功能中的首幀模式，所上傳的圖片是OpenAI聯(lián)合創(chuàng)始人兼CEO薩姆·奧爾特曼和Anthropic聯(lián)合創(chuàng)始人兼CEO達里奧·阿莫迪前段時間的合影。

不過，可能是因為畫面中涉及多位真實人物，模型拒絕了這一生成請求。

之后我們上傳了奧爾特曼的單人照，要求模型生成他喝咖啡的畫面。這次嘗試最后成功了，畫面中人物與真人照片的相似度應(yīng)該能達到8成左右，并且隨著光線和背景的變化，人物的樣貌沒有出現(xiàn)改變。

案例二：多人物參考

多圖參考中，我們上傳了馬斯克與奧爾特曼的圖像，要求HappyHorse 1.0提前想象一下這兩位人物對簿公堂、激烈爭吵的畫面。

這次HappyHorse 1.0也沒有拒絕我們的生成請求，它給出的首版生成結(jié)果中，并沒能體現(xiàn)出二人爭吵的效果，主要是“馬斯克”在單方面輸出。此外，模型似乎不理解這兩位人物的母語都是英語，畫面中“馬斯克”操著一口流利的中文。

再進一步細(xì)化要求后，HappyHorse 1.0能夠生成二人用英語爭論的畫面，其中人物的表情豐富，但是與參考圖相比出現(xiàn)了較為明顯的偏差。

案例三：多元素參考

除了上傳多個人物之外，多圖參考也允許用戶對視頻模型生成畫面的背景、具體元素等提供素材。我們便上傳了Sora核心人物Bill Peebles、OpenAI辦公室、紙箱等元素，要求HappyHorse 1.0生成一個離職的畫面。

在這一案例中，HappyHorse 1.0做得較高的方面是它準(zhǔn)確呈現(xiàn)了我們上傳的所有參考元素，人物、環(huán)境等都基本一致。

然而畫面中出現(xiàn)了不少物理bug，比如紙箱自動合上，門自動打開等等。

三、1080P、生成速度成HappyHorse亮點

在HappyHorse 1.0開始測試之際，智東西等部分媒體與多位參與HappyHorse 1.0測試的業(yè)內(nèi)人士與探討了這一模型目前的表現(xiàn)，及其在行業(yè)中的競爭站位。

出海一站式AI電商營銷平臺麥斯國際的技術(shù)合伙人李明認(rèn)為，3s-15s的生成長度、較快的生成速度、支持1080P是HappyHorse 1.0的亮點功能。同時，在提示詞較為明確的情況下，模型的產(chǎn)出效果“還可以”。

然而，在實踐中，HappyHorse 1.0也展現(xiàn)出一些問題，比如生成視頻結(jié)果的一致性、生成語音內(nèi)容的機械感等等。李明認(rèn)為，HappyHorse 1.0與字節(jié)Seedance 2.0、OpenAI Sora 2等模型相比，“還有一些再提升的空間”。

我們向李明提及實測過程中遇到的音畫同步、文字渲染等問題。李明稱，字幕等文字內(nèi)容的渲染其實是當(dāng)前AI視頻生成模型的通病，目前業(yè)內(nèi)很少靠大模型直接生成，而是會借助后期工具進行補充，這種模式也給調(diào)整留有余地。

音畫同步方面，李明觀察到通過更好的提示詞工程，可以提升HappyHorse 1.0、Seedance 2.0等模型的音畫同步效果，但這些模型目前在音畫同步維度多少還存在一些問題。

李明判斷，對企業(yè)而言，當(dāng)前視頻生成模型的生成質(zhì)量仍是一個普遍存在的痛點，部分創(chuàng)作團隊的“抽卡率”甚至高達50%-60%。生成的時效性也還有提升空間。

相比之下，價格反而是用戶更容易接受的維度。如果能做到又快又好，用戶對價格的接受度自然會隨之提高。

參與內(nèi)測的AI視頻創(chuàng)作平臺FLOVA相關(guān)團隊認(rèn)為，HappyHorse 1.0模型在真實感與敘事能力上表現(xiàn)不錯，尤其適合敘事性內(nèi)容、紀(jì)錄片風(fēng)格的題材。

同時，HappyHorse 1.0的焦段運用接近實拍，減輕了視頻的“AI感”，讓觀感更加真實，其鏡頭運動也比較自然。

結(jié)語：一匹有潛力的“快樂小馬”

從我們的體驗感受來看，HappyHorse 1.0可以是一款不錯的的視頻生成模型，其較強的指令遵循能力為專業(yè)創(chuàng)作者提供了更多的精細(xì)化控制的空間，一定程度上降低了反復(fù)抽卡、試錯帶來的資源浪費。

然而，HappyHorse 1.0的畫面還有不少可提升的空間，比如畫面的“油膩感”、物理準(zhǔn)確性等等。隨著HappyHorse進一步迭代，這一模型有望在真實生產(chǎn)場景中發(fā)揮更大作用。