HappyHorse 1.0：同時生成影片與聲音的盲測冠軍

從匿名參賽到排名第一

2026 年 4 月 7 日，一個沒有名字的模型出現在 Artificial Analysis Video Arena，使用者會在不知道是哪個模型生成的情況下，對成對的影片投票。它一路登上文生影片與圖生影片（無音訊組）兩個榜單的榜首，在創作者論壇掀起一波猜測。兩天後阿里巴巴證實這是自家模型，到了 4 月 27 日，HappyHorse 1.0 已透過正式 API 合作夥伴 fal 上線。

背後的團隊是淘天集團的未來生活實驗室（Future Life Lab），隸屬 Alibaba Token Hub（ATH）。媒體報導指出實驗室由張迪帶領，並稱他曾任快手副總裁與可靈（Kling）技術負責人；這些背景請視為媒體報導，而非正式履歷。排行榜名次會隨投票變動，今天的排名請以即時的競技場為準。

生成影片的五種方式

正式端點涵蓋四種任務，合作平台另外加上第五種語音驅動選項。多數人最先使用的是圖生影片：放進一張商品照或角色肖像，它就會以自然的動作、運鏡與符合場景的聲音活起來。

• 文生影片：寫下一個場景，就能得到有畫面也有聲音的完整影片。
• 圖生影片：讓照片、商品照或角色插圖動起來，同時保留原本的樣貌。
• 參考生影片：提供多張參考圖，讓同一個角色在不同影片中保持一致。
• 影片編輯：替現有影片換風格或替換元素，同時保留原本的動態。
• 語音驅動模式：部分合作平台額外包裝了音訊驅動的選項；這些是平台功能，並非正式模式。

創作者也分享了多鏡頭成果：一次算圖就能在遠景、特寫與空拍之間切換，而且同一個人始終認得出來。正是這一點，讓這個模型感覺更像一支小型拍攝團隊，而不只是單鏡頭的動畫工具。

創作者都拿它來做什麼

直式短劇是最明顯的用途。9:16 畫面、最長 15 秒，再加上嘴型相符的台詞，足以應付短劇所需的大部分開場鏡頭、反應鏡頭與轉場。由於對嘴支援普通話、粵語、英語、日語、韓語、德語與法語，同一場戲不必重拍就能重新配音推向海外。

電商團隊用圖生影片把靜態商品照變成短短的展示影片：瓶子在大理石上旋轉、外套迎風飄動、模特兒說一句關於商品的台詞。社群創作者、MV 製作者與品牌分鏡師則用它在真正花錢拍攝前快速預覽創意。

正在流行、值得一試的玩法

看過一次就能同時說話、動作、聲音到位的片段後，創作者的作品裡總會反覆出現幾個點子。它們都發揮了 HappyHorse 1.0 最擅長的地方：短場景、清楚的主體、一個運鏡，再加一句台詞或有記憶點的環境音。

• 結尾鉤子：一個以台詞收尾的 9:16 鏡頭，放在短劇每集最後一秒，把觀眾帶到下一集。
• 一支廣告、七種聲音：同一個商品場景，台詞分別用普通話、英語、日語或德語，一份分鏡就能服務多個市場。
• 讓照片講故事：老照片或角色插畫眨眼、微笑、打招呼，在家庭回憶和同人創作中很受歡迎。
• 商品旋轉加一句賣點：商品在乾淨檯面上轉動，旁白說出一個亮點。
• MV 循環素材：雨、霓虹、慢推鏡頭的 5 秒循環片段，跟著節拍剪在一起。

令人驚豔的聲音、對嘴與動態

最大亮點是原生音訊。對白、室內環境音、腳步聲與雨聲會在同一次前向運算中與畫面一起生成，不需要另外配音或做擬音。如果只想要無聲素材來搭配自己的配樂，也可以把音訊關掉。

評測與平台介紹都稱讚它動作流暢、主體穩定，還有電影般的淺景深。社群的主要抱怨則集中在模型以外的事情：一直沒有兌現的開源承諾、一批借用這個名字的非正式山寨網站，以及比部分對手更高的每秒費用。

它的強項與不足

沒有哪個模型樣樣都贏，先了解取捨能省下點數。HappyHorse 1.0 在需要快速產出帶配音的精緻鏡頭時最出色；要拍長鏡頭、在本地細調，或低成本試上幾十次時就沒那麼方便。

可直接複製的提示詞範本

最穩定的結構是：主體與外觀，接著把動作拆成節拍，然後是場景與光線，再加一個運鏡，之後是聲音或加上引號並註明語言的台詞，最後是風格。fal 發布的正式提示詞指南也遵循同樣的邏輯。以下三個範本可以自行調整。

• 短劇對白：一名身穿紅色大衣的年輕女子夜裡站在霓虹雨中，轉向鏡頭用普通話說："你终于来了。" 鏡頭緩慢推進，淺景深，青橙色調，輕柔的雨聲。
• 電商圖生影片（上傳商品照）：瓶子在大理石桌上緩緩旋轉，水珠閃閃發亮，鏡頭環繞 180 度，柔和的棚燈，輕快的背景音樂。
• 多鏡頭故事：鏡頭 1：日出時沙漠公路的遠景。鏡頭 2：駕駛微笑的特寫。鏡頭 3：空拍鏡頭向後拉遠。全程保持同一個角色與引擎聲。

每句台詞都要加上引號並註明語言，否則聲音可能會跑掉。把動作拆成時間節拍，不要寫成一句長句。每個提示詞只用一個主要運鏡，因為同時疊加推軌、橫搖與變焦通常會讓畫面晃動。如果打算之後再加音樂，就把音訊關掉。

讓對白與口型更自然的訣竅

說話鏡頭是這個模型最讓人驚豔的地方，也是提示詞小失誤最容易露餡的地方。每句台詞要短，最好是一句能在片長內從容說完的話，並且在引號前一定寫明語言。臉在畫面中佔比大、正面打光時，嘴型會更細緻。

• 台詞用該語言本身的文字書寫，例如日語就寫日文，不要用羅馬拼音。
• 寫出語氣：低聲、開朗、疲倦、生氣。語氣對表演的影響不輸台詞本身。
• 在台詞前後留一拍停頓，片段才不會顯得匆忙。
• 加一種環境音，例如雨聲、車流或咖啡館人聲，讓畫面像是實拍收音。

HappyHorse 1.0 使用教學：一步一步來

阿里巴巴沒有推出一般消費者用的 App；你要透過 fal、OpenRouter、Hedra、Artlist 或 A2E 等合作平台使用這個模型，其中幾個平台會送新帳號一些免費點數。各平台的流程都一樣。

1. 1選一個提供這個模型的合作平台並登入。
2. 2選擇模式：文字、圖片、參考圖或影片編輯。
3. 3撰寫提示詞，包含動作節拍、運鏡，以及加上引號並註明語言的台詞。
4. 4設定畫面比例（16:9、9:16、1:1、4:3 或 3:4）、長度（3–15 秒）、720p 或 1080p，以及開啟或關閉音訊。
5. 5生成、檢查並下載 MP4；如果需要 4K，之後再用放大工具處理。

HappyHorse 圖生影片：挑選動起來好看的照片

圖生影片會保留起始照片的色調、服裝與構圖，所以照片比提示詞更重要。請選清晰、主體單一，並在希望移動的方向留有空間的圖片。雜亂背景和被裁掉的手，一旦開始動作就容易變形。

接著只告訴模型會改變的部分：動作、鏡頭與聲音，已經看得到的東西不必重複描述。商品用柔光下的慢速環繞或推近幾乎每次都好看；人像則以轉頭、微笑、向前一步等小動作，比大幅度動作更自然。

HappyHorse 1.0 vs Veo 3、Kling 3.0 與 Seedance 2.0

Veo 3 與 Sora 2 同樣能讓聲音與畫面一起生成，比較時主要看盲測投票的偏好，而 HappyHorse 在推出時居於領先。相較於 Kling 3.0 與 Seedance 2.0，它的優勢在於對嘴語言數量與競技場分數，而 Seedance 每段影片能接受更多參考圖。Wan 2.2、LTX-2 等開放模型可以在自己的 GPU 上執行；這個模型則只能在雲端使用。

排名會隨競技場累積投票而變動；做決定前請先查看即時排行榜。

HappyHorse 1.0 有開源嗎？關於下載的問題

截至 2026 年 10 月，找不到任何可下載的正式權重。有一個合作夥伴頁面聲稱權重放在 Hugging Face，但 fal 明確表示這個模型是閉源的，不會開源也不會授權；獨立查證也發現 Hugging Face 連結會出現存取錯誤，GitHub 上也沒有程式碼或權重。任何掛著這個名字的「社群 checkpoint」都是非正式且來源不明，最好避開。

如果你想要能自行下載、執行的開放模型，可以看看阿里巴巴通義團隊的 Wan 2.2，或 Lightricks 的 LTX-2，兩者都有公開權重。你會在部分 OpenRouter 頁面看到 HappyHorse 1.1 這個名字，但目前並未證實有正式的新版本。

無審查 HappyHorse：實際有什麼，以及該改用什麼

HappyHorse 1.0 並沒有無審查或 NSFW 版本。所有使用管道都要經過雲端平台，而每個平台都會對提示詞與結果套用自己的內容政策。如果你想要成人題材的影片，我們的圖生影片工作室會用無過濾模型讓你的照片動起來，適用於涉及合意成年人的內容，就像下面這些點子。

1. 從一張清晰、光線充足的成年人照片開始；動作會依照照片中的姿勢與服裝呈現。
2. 描述一個動作和一個運鏡，再加入光線與聲音提示。
3. 只使用你自己、已同意的成年人，或明顯已滿 18 歲的虛構角色的照片。