HappyHorse 1.0: o campeão dos testes cegos que cria vídeo e som juntos

De participante anônimo a número um

Em 7 de abril de 2026, um modelo sem nome apareceu na Artificial Analysis Video Arena, onde as pessoas votam em pares de clipes sem saber qual modelo os gerou. Ele chegou ao topo dos rankings de texto para vídeo e de imagem para vídeo (as categorias sem áudio) e iniciou um jogo de adivinhação nos fóruns de criadores. Dois dias depois, a Alibaba confirmou que o modelo era dela e, em 27 de abril, o HappyHorse 1.0 já estava disponível no fal como parceiro oficial de API.

A equipe por trás dele é o Future Life Lab do Taotian Group, parte do Alibaba Token Hub (ATH). Segundo a imprensa, o laboratório é liderado por Zhang Di, descrito como ex-vice-presidente da Kuaishou e líder técnico do Kling; trate esse histórico como informação da mídia, não como biografia oficial. As posições no ranking mudam conforme os votos chegam, então confira a arena ao vivo para ver a classificação de hoje.

Cinco formas de criar um clipe

Os endpoints oficiais cobrem quatro tarefas, e as plataformas parceiras acrescentam uma quinta opção, guiada por voz. Imagem para vídeo é a que a maioria das pessoas usa primeiro: envie uma foto de produto ou um retrato de personagem e ela ganha vida com movimento natural, movimento de câmera e som adequado à cena.

• Texto para vídeo: escreva uma cena e receba um clipe pronto com imagem e áudio.
• Imagem para vídeo: anime uma foto, imagem de produto ou arte de personagem mantendo o visual original.
• Referência para vídeo: use várias referências para que o mesmo personagem fique consistente entre clipes.
• Edição de vídeo: mude o estilo de um clipe existente ou troque elementos mantendo o movimento.
• Modos guiados por fala: algumas plataformas parceiras oferecem opções guiadas por áudio; são recursos da plataforma, não modos oficiais.

Os criadores também mostram resultados com várias tomadas, em que uma única renderização alterna entre plano aberto, close e vista aérea enquanto a mesma pessoa continua reconhecível. É isso que faz o modelo parecer uma pequena equipe de filmagem, e não um simples animador de uma tomada só.

Onde os criadores o colocam para trabalhar

Microdramas verticais são o encaixe óbvio. Um quadro 9:16, até 15 segundos e falas com bocas sincronizadas cobrem a maioria das tomadas de ambientação, reações e transições de que um microdrama precisa. Como a sincronia labial funciona em mandarim, cantonês, inglês, japonês, coreano, alemão e francês, a mesma cena pode ser redublada para lançamentos no exterior sem regravar.

Equipes de e-commerce usam imagem para vídeo para transformar uma foto estática de produto em uma vitrine curta: um frasco girando sobre mármore, uma jaqueta ao vento, uma modelo dizendo uma frase sobre o item. Criadores de redes sociais, produtores de videoclipes e artistas de storyboard de marcas o usam para testar ideias rapidamente antes de investir em uma gravação real.

Ideias em alta que vale a pena testar

Quando as pessoas veem um clipe que fala, se move e soa certo numa única tomada, as mesmas ideias aparecem sem parar nas vitrines dos criadores. Cada uma aproveita o que o HappyHorse 1.0 faz de melhor: cenas curtas, um assunto claro, um movimento de câmera e uma fala ou um som ambiente marcante.

• Gancho final: um único plano 9:16 que termina numa fala, usado como último segundo de um episódio de microdrama para puxar o público ao próximo.
• Um anúncio, sete vozes: a mesma cena de produto com a fala em mandarim, inglês, japonês ou alemão, para um só roteiro servir vários mercados.
• Da foto à história: um retrato antigo ou uma ilustração que pisca, sorri e diz olá, muito usado em memórias de família e fan art.
• Produto girando com pitch: um item rodando numa superfície limpa enquanto a voz de um apresentador cita um benefício.
• Loops para videoclipe: loops de 5 segundos com chuva, neon e dolly lento, montados no ritmo da música.

Som, sincronia labial e movimento que impressionam

O recurso principal é o áudio nativo. Diálogos, som ambiente, passos e chuva são gerados junto com a imagem em uma única passagem, sem etapa separada de dublagem ou foley. Você também pode desativar o áudio quando quiser apenas imagens silenciosas para sua própria trilha sonora.

Análises e textos das plataformas elogiam o movimento suave, os personagens estáveis e a profundidade de campo rasa e cinematográfica. As principais reclamações da comunidade são sobre tudo o que está em volta do modelo: uma promessa de open source que nunca se concretizou, uma leva de sites imitadores não oficiais usando o nome e custos por segundo mais altos que os de alguns concorrentes.

Onde ele brilha e onde deixa a desejar

Nenhum modelo vence em tudo, e conhecer os limites economiza créditos. O HappyHorse 1.0 brilha quando você precisa de um plano caprichado e dublado rapidamente; é menos prático para tomadas longas, controle local ou dezenas de tentativas baratas.

Modelos de prompt para copiar

A estrutura mais confiável é: tema e visual, depois ações divididas em etapas, depois cenário e luz, depois um movimento de câmera, depois som ou uma fala entre aspas com o idioma, e por fim o estilo. O fal publica um guia oficial de prompts que segue a mesma lógica. Aqui estão três modelos para adaptar.

• Diálogo de microdrama: Uma jovem de casaco vermelho está sob a chuva neon à noite, vira-se para a câmera e diz em mandarim: "你终于来了。" Aproximação lenta, profundidade de campo rasa, gradação azul-petróleo e laranja, ambiência suave de chuva.
• Imagem para vídeo de e-commerce (envie a foto do produto): O frasco gira lentamente sobre uma mesa de mármore, gotas de água brilham, a câmera orbita 180 graus, luz suave de estúdio, música animada e discreta.
• História com várias tomadas: Tomada 1: plano aberto de uma estrada no deserto ao nascer do sol. Tomada 2: close do motorista sorrindo. Tomada 3: tomada de drone se afastando. Mantenha o mesmo personagem e o mesmo som do motor do início ao fim.

Coloque cada fala entre aspas e indique o idioma; caso contrário, a voz pode variar. Divida o movimento em etapas de tempo em vez de uma frase longa. Use apenas um movimento de câmera principal por prompt, pois combinar dolly, pan e zoom costuma gerar imagens tremidas. Desative o áudio se pretende adicionar música depois.

Diálogo e sincronia labial naturais

Os planos falados são onde o modelo mais surpreende e também onde pequenos erros de prompt aparecem. Mantenha cada fala curta, de preferência uma frase que caiba com folga no clipe, e sempre informe o idioma antes da citação. Um rosto grande no quadro e iluminado de frente dá mais detalhe ao movimento da boca.

• Escreva a fala na escrita original, por exemplo japonês em caracteres japoneses, e não romanizado.
• Descreva o tom de voz: sussurrado, alegre, cansado, irritado. Isso muda a entrega tanto quanto as palavras.
• Deixe um instante de silêncio antes ou depois da fala para o clipe não parecer apressado.
• Acrescente um som ambiente, como chuva, trânsito ou café cheio, para a cena parecer gravada.

Como usar o HappyHorse 1.0 passo a passo

Não há aplicativo para consumidores da Alibaba; você acessa o modelo por plataformas parceiras como fal, OpenRouter, Hedra, Artlist ou A2E, várias das quais dão alguns créditos grátis para contas novas. O fluxo é o mesmo em todas.

1. 1Escolha uma plataforma que ofereça o modelo e faça login.
2. 2Escolha o modo: texto, imagem, referência ou edição de vídeo.
3. 3Escreva o prompt com etapas, movimento de câmera e eventuais falas entre aspas com o idioma.
4. 4Defina a proporção (16:9, 9:16, 1:1, 4:3 ou 3:4), a duração (3–15 segundos), 720p ou 1080p, e áudio ligado ou desligado.
5. 5Gere, revise e baixe o MP4; use um upscaler depois se precisar de 4K.

HappyHorse de imagem para vídeo: fotos que se movem bem

A conversão de imagem em vídeo mantém as cores, a roupa e o enquadramento da foto inicial, então a foto importa mais que o prompt. Escolha uma imagem nítida, com um assunto claro e algum espaço vazio na direção em que ele vai se mover. Fundos poluídos e mãos cortadas costumam deformar quando o movimento começa.

Depois diga ao modelo só o que muda: a ação, a câmera e o som. Não é preciso descrever o que já está visível. Para produtos, uma órbita lenta ou aproximação com luz suave funciona quase sempre; para retratos, um gesto pequeno como virar a cabeça, sorrir ou dar um passo parece mais natural que grandes movimentos.

HappyHorse 1.0 vs Veo 3, Kling 3.0 e Seedance 2.0

Veo 3 e Sora 2 também geram som junto com a imagem, e a comparação se resume principalmente à preferência nas votações cegas, em que o HappyHorse liderava na época do lançamento. Em relação ao Kling 3.0 e ao Seedance 2.0, sua vantagem está no número de idiomas de sincronia labial e na pontuação na arena, enquanto o Seedance aceita mais referências por clipe. Modelos abertos como Wan 2.2 e LTX-2 podem rodar na sua própria GPU; este funciona apenas na nuvem.

Os rankings mudam conforme a arena recebe votos; confira o ranking ao vivo antes de decidir.

O HappyHorse 1.0 é open source? A questão do download

Até outubro de 2026, não foram encontrados pesos oficiais para download. Uma página parceira afirma que os pesos estão no Hugging Face, mas o fal diz claramente que o modelo é fechado e não será aberto nem licenciado, e verificações independentes mostraram que o link do Hugging Face retorna erro de acesso e que não há código nem pesos no GitHub. Qualquer "checkpoint da comunidade" usando o nome é não oficial e de origem desconhecida, então é melhor evitá-lo.

Se você quer um modelo aberto para baixar e rodar por conta própria, veja o Wan 2.2, da equipe Tongyi da Alibaba, ou o LTX-2, da Lightricks, que publicam seus pesos. Você verá o nome HappyHorse 1.1 em algumas páginas do OpenRouter, mas nenhum novo lançamento oficial foi confirmado.

HappyHorse sem censura: o que existe e o que usar no lugar

Não existe edição sem censura ou NSFW do HappyHorse 1.0. Todo acesso a ele passa por plataformas na nuvem, e cada uma aplica sua própria política de conteúdo a prompts e resultados. Se você quer clipes com temas adultos, nosso estúdio de imagem para vídeo anima suas fotos com modelos sem filtro para conteúdo envolvendo adultos que consentem, como nas ideias abaixo.

1. Comece com uma foto nítida e bem iluminada de uma pessoa adulta; o movimento segue a pose e a roupa da foto.
2. Descreva uma ação e um movimento de câmera, depois acrescente indicações de luz e som.
3. Use apenas fotos suas, de adultos que consentem ou de personagens fictícios claramente maiores de 18 anos.