HappyHorse 1.0: Nhà vô địch thử nghiệm mù tạo video và âm thanh cùng lúc

Từ ẩn danh đến vị trí số một

Ngày 7 tháng 4 năm 2026, một mô hình không tên xuất hiện trên Artificial Analysis Video Arena, nơi mọi người bình chọn giữa các cặp clip mà không biết mô hình nào tạo ra chúng. Nó leo lên đỉnh cả bảng văn bản thành video lẫn ảnh thành video (hạng mục không âm thanh) và khơi mào một cuộc đoán già đoán non trên các diễn đàn sáng tạo. Hai ngày sau, Alibaba xác nhận đó là mô hình của họ, và đến ngày 27 tháng 4, HappyHorse 1.0 đã hoạt động trên fal với tư cách đối tác API chính thức.

Đội ngũ đứng sau là Future Life Lab thuộc Taotian Group, một phần của Alibaba Token Hub (ATH). Báo chí cho biết phòng thí nghiệm do Zhang Di dẫn dắt, người được mô tả là cựu phó chủ tịch Kuaishou và trưởng nhóm kỹ thuật của Kling; hãy xem thông tin này là tin từ truyền thông chứ không phải tiểu sử chính thức. Thứ hạng trên bảng xếp hạng thay đổi theo lượt bình chọn, vì vậy hãy xem arena trực tiếp để biết thứ hạng hôm nay.

Năm cách tạo một clip

Các endpoint chính thức đảm nhận bốn tác vụ, còn các nền tảng đối tác bổ sung thêm tùy chọn thứ năm dựa trên giọng nói. Ảnh thành video là chế độ được dùng nhiều nhất: chỉ cần thả vào một ảnh sản phẩm hoặc chân dung nhân vật, nó sẽ sống động với chuyển động tự nhiên, máy quay di chuyển và âm thanh phù hợp với cảnh.

• Văn bản thành video: viết một cảnh và nhận clip hoàn chỉnh có cả hình ảnh lẫn âm thanh.
• Ảnh thành video: tạo chuyển động cho ảnh, ảnh sản phẩm hoặc tranh nhân vật mà vẫn giữ nguyên phong cách.
• Tham chiếu thành video: đưa vào nhiều ảnh tham chiếu để cùng một nhân vật nhất quán qua các clip.
• Chỉnh sửa video: đổi phong cách clip có sẵn hoặc thay thế các thành phần mà vẫn giữ chuyển động.
• Chế độ điều khiển bằng giọng nói: một số nền tảng đối tác cung cấp thêm tùy chọn điều khiển bằng âm thanh; đây là tính năng của nền tảng, không phải chế độ chính thức.

Các nhà sáng tạo cũng chia sẻ kết quả nhiều cảnh quay, trong đó một lần render chuyển giữa cảnh toàn, cận cảnh và cảnh flycam mà cùng một người vẫn dễ nhận ra. Chính điều đó khiến mô hình giống một đoàn làm phim nhỏ hơn là một công cụ tạo chuyển động một cảnh.

Nhà sáng tạo dùng nó vào việc gì

Phim ngắn dọc là lựa chọn hiển nhiên. Khung 9:16, thời lượng tối đa 15 giây và lời thoại khớp khẩu hình đáp ứng hầu hết các cảnh mở đầu, cảnh phản ứng và chuyển cảnh mà một bộ phim ngắn cần. Vì khớp khẩu hình hoạt động với tiếng Quan Thoại, tiếng Quảng Đông, tiếng Anh, tiếng Nhật, tiếng Hàn, tiếng Đức và tiếng Pháp, cùng một cảnh có thể được lồng tiếng lại cho thị trường nước ngoài mà không cần quay lại.

Các đội thương mại điện tử dùng ảnh thành video để biến một ảnh sản phẩm tĩnh thành đoạn giới thiệu ngắn: chai nước hoa xoay trên mặt đá cẩm thạch, chiếc áo khoác bay trong gió, người mẫu nói một câu về sản phẩm. Nhà sáng tạo mạng xã hội, người làm MV và họa sĩ storyboard thương hiệu dùng nó để xem trước ý tưởng nhanh chóng trước khi chi tiền cho buổi quay thật.

Những cách dùng đang thịnh hành nên thử

Khi đã thấy một clip vừa nói, vừa chuyển động, vừa có âm thanh chuẩn chỉ trong một lần tạo, người ta liên tục bắt gặp cùng vài ý tưởng trong các bài khoe tác phẩm. Mỗi ý tưởng đều tận dụng điểm mạnh nhất của HappyHorse 1.0: cảnh ngắn, chủ thể rõ ràng, một chuyển động máy quay và một câu thoại hoặc âm thanh nền ấn tượng.

• Cú móc cuối tập: một cảnh 9:16 kết thúc bằng câu thoại, đặt ở giây cuối của tập phim ngắn để kéo người xem sang tập sau.
• Một quảng cáo, bảy giọng: cùng cảnh sản phẩm với câu thoại bằng tiếng Trung, Anh, Nhật hoặc Đức, để một kịch bản phân cảnh phục vụ nhiều thị trường.
• Từ ảnh thành câu chuyện: ảnh chân dung cũ hay tranh nhân vật chớp mắt, mỉm cười và chào, rất được ưa chuộng cho kỷ niệm gia đình và fan art.
• Sản phẩm xoay kèm lời giới thiệu: món hàng xoay trên mặt phẳng sạch trong khi giọng dẫn nêu một lợi ích.
• Vòng lặp cho MV: các đoạn lặp 5 giây với mưa, đèn neon và dolly chậm, ghép theo nhịp nhạc.

Âm thanh, khớp khẩu hình và chuyển động ấn tượng

Tính năng nổi bật nhất là âm thanh gốc. Lời thoại, âm nền căn phòng, tiếng bước chân và tiếng mưa được tạo cùng với hình ảnh trong một lượt xử lý duy nhất, nên không cần bước lồng tiếng hay tạo hiệu ứng âm thanh riêng. Bạn cũng có thể tắt âm thanh khi chỉ muốn cảnh quay im lặng để tự ghép nhạc.

Các bài đánh giá và giới thiệu từ nền tảng khen ngợi chuyển động mượt, chủ thể ổn định và độ sâu trường ảnh nông đậm chất điện ảnh. Những phàn nàn chính trong cộng đồng lại xoay quanh mọi thứ bên ngoài mô hình: lời hứa mã nguồn mở chưa bao giờ thành hiện thực, hàng loạt trang nhái không chính thức dùng tên này, và chi phí theo giây cao hơn một số đối thủ.

Điểm mạnh và điểm còn hạn chế

Không mô hình nào thắng ở mọi mặt, và hiểu rõ đánh đổi giúp tiết kiệm credit. HappyHorse 1.0 tỏa sáng khi bạn cần nhanh một cảnh hoàn chỉnh có lồng tiếng; nó kém tiện hơn khi cần cảnh dài, kiểm soát cục bộ hay thử hàng chục lần với chi phí thấp.

Mẫu prompt bạn có thể sao chép

Cấu trúc đáng tin cậy nhất là: chủ thể và ngoại hình, sau đó là hành động chia thành từng nhịp, rồi bối cảnh và ánh sáng, tiếp đến một chuyển động máy quay, sau đó âm thanh hoặc một câu thoại trong ngoặc kép kèm ngôn ngữ, cuối cùng là phong cách. fal có công bố hướng dẫn viết prompt chính thức theo cùng logic này. Dưới đây là ba mẫu để bạn điều chỉnh.

• Lời thoại phim ngắn: Một cô gái trẻ mặc áo khoác đỏ đứng dưới mưa đèn neon ban đêm, quay về phía máy quay và nói bằng tiếng Quan Thoại: "你终于来了。" Máy quay tiến chậm, độ sâu trường ảnh nông, chỉnh màu xanh mòng két và cam, âm thanh mưa nhẹ.
• Ảnh thành video thương mại điện tử (tải ảnh sản phẩm lên): Chai xoay chậm trên bàn đá cẩm thạch, giọt nước lấp lánh, máy quay quay vòng 180 độ, ánh sáng studio dịu, nhạc nền vui tươi nhẹ nhàng.
• Câu chuyện nhiều cảnh: Cảnh 1: cảnh toàn con đường sa mạc lúc bình minh. Cảnh 2: cận cảnh người lái xe mỉm cười. Cảnh 3: cảnh drone lùi ra xa. Giữ nguyên nhân vật và tiếng động cơ xuyên suốt.

Đặt mọi câu thoại trong ngoặc kép và ghi rõ ngôn ngữ, nếu không giọng nói có thể bị lệch. Chia chuyển động thành các nhịp thời gian thay vì một câu dài. Chỉ dùng một chuyển động máy quay chính cho mỗi prompt, vì chồng dolly, lia và zoom thường khiến cảnh quay bị rung. Hãy tắt âm thanh nếu bạn định thêm nhạc sau.

Thoại tự nhiên và khớp khẩu hình chuẩn

Cảnh nói chuyện là phần khiến mô hình này gây bất ngờ nhất, cũng là nơi lỗi nhỏ trong prompt dễ lộ ra. Giữ mỗi câu thoại ngắn, lý tưởng là một câu vừa vặn với độ dài clip, và luôn ghi rõ ngôn ngữ trước câu trích. Khuôn mặt lớn trong khung hình và được chiếu sáng chính diện sẽ cho chuyển động miệng chi tiết hơn.

• Viết câu thoại bằng chữ của ngôn ngữ đó, ví dụ tiếng Nhật bằng chữ Nhật thay vì phiên âm Latin.
• Mô tả giọng điệu: thì thầm, vui vẻ, mệt mỏi, tức giận. Giọng điệu thay đổi cách diễn không kém lời thoại.
• Để một nhịp im lặng trước hoặc sau câu thoại để clip không bị vội.
• Thêm một âm thanh nền như mưa, xe cộ hay tiếng quán cà phê để cảnh như được ghi hình thật.

Cách sử dụng HappyHorse 1.0 từng bước

Alibaba không có ứng dụng cho người dùng phổ thông; bạn truy cập mô hình qua các nền tảng đối tác như fal, OpenRouter, Hedra, Artlist hoặc A2E, một số nơi tặng vài tín dụng miễn phí cho tài khoản mới. Quy trình ở đâu cũng giống nhau.

1. 1Chọn một nền tảng đối tác có cung cấp mô hình này và đăng nhập.
2. 2Chọn chế độ: văn bản, ảnh, tham chiếu hoặc chỉnh sửa video.
3. 3Viết prompt với các nhịp hành động, chuyển động máy quay và lời thoại trong ngoặc kép kèm ngôn ngữ.
4. 4Đặt tỷ lệ khung hình (16:9, 9:16, 1:1, 4:3 hoặc 3:4), thời lượng (3–15 giây), 720p hoặc 1080p, và bật hoặc tắt âm thanh.
5. 5Tạo, xem lại và tải về file MP4; dùng công cụ nâng độ phân giải sau đó nếu bạn cần 4K.

HappyHorse ảnh thành video: chọn ảnh chuyển động đẹp

Chế độ ảnh thành video giữ nguyên màu sắc, trang phục và bố cục của ảnh gốc, nên bức ảnh quan trọng hơn prompt. Hãy chọn ảnh sắc nét, một chủ thể rõ ràng và có khoảng trống theo hướng bạn muốn chủ thể di chuyển. Phông nền rối và bàn tay bị cắt thường bị méo khi chuyển động bắt đầu.

Sau đó chỉ cần nói với mô hình những gì thay đổi: hành động, máy quay và âm thanh. Không cần mô tả những gì đã thấy trong ảnh. Với sản phẩm, xoay quanh chậm hoặc tiến gần dưới ánh sáng dịu gần như luôn hiệu quả; với chân dung, cử chỉ nhỏ như quay đầu, mỉm cười hay bước một bước trông tự nhiên hơn động tác lớn.

HappyHorse 1.0 so với Veo 3, Kling 3.0 và Seedance 2.0

Veo 3 và Sora 2 cũng tạo âm thanh cùng hình ảnh, và việc so sánh chủ yếu dựa vào mức độ yêu thích trong bình chọn mù, nơi HappyHorse dẫn đầu vào thời điểm ra mắt. So với Kling 3.0 và Seedance 2.0, lợi thế của nó là số ngôn ngữ khớp khẩu hình và điểm arena, trong khi Seedance nhận nhiều ảnh tham chiếu hơn cho mỗi clip. Các mô hình mở như Wan 2.2 và LTX-2 có thể chạy trên GPU của bạn; mô hình này chỉ chạy trên đám mây.

Thứ hạng thay đổi khi arena thu thập thêm lượt bình chọn; hãy xem bảng xếp hạng trực tiếp trước khi quyết định.

HappyHorse 1.0 có phải mã nguồn mở? Câu hỏi về tải xuống

Tính đến tháng 10 năm 2026, không tìm thấy trọng số chính thức nào có thể tải xuống. Một trang đối tác tuyên bố trọng số có trên Hugging Face, nhưng fal nói rõ rằng mô hình là đóng và sẽ không được mở mã nguồn hay cấp phép, và các kiểm tra độc lập cho thấy liên kết Hugging Face báo lỗi truy cập, còn GitHub không có mã hay trọng số. Bất kỳ "checkpoint cộng đồng" nào dùng tên này đều không chính thức và không rõ nguồn gốc, tốt nhất nên tránh.

Nếu bạn muốn một mô hình mở có thể tải về và tự chạy, hãy xem Wan 2.2 từ đội Tongyi của Alibaba hoặc LTX-2 từ Lightricks, cả hai đều công bố trọng số. Bạn sẽ thấy tên HappyHorse 1.1 trên một số trang OpenRouter, nhưng chưa có bản phát hành mới chính thức nào được xác nhận.

HappyHorse không kiểm duyệt: Những gì có thật và nên dùng gì thay thế

Không có phiên bản không kiểm duyệt hay NSFW nào của HappyHorse 1.0. Mọi cách truy cập đều đi qua các nền tảng đám mây, và mỗi nền tảng áp dụng chính sách nội dung riêng cho prompt và kết quả. Nếu bạn muốn clip chủ đề người lớn, studio ảnh thành video của chúng tôi tạo chuyển động cho ảnh của bạn bằng các mô hình không bộ lọc cho nội dung liên quan đến người trưởng thành tự nguyện, như các ý tưởng dưới đây.

1. Bắt đầu từ ảnh rõ nét, đủ sáng của một chủ thể trưởng thành; chuyển động sẽ theo tư thế và trang phục trong ảnh.
2. Mô tả một hành động và một chuyển động máy quay, sau đó thêm gợi ý về ánh sáng và âm thanh.
3. Chỉ dùng ảnh của chính bạn, của người trưởng thành đã đồng ý, hoặc của nhân vật hư cấu rõ ràng từ 18 tuổi trở lên.