Happy Horse 1.1：ネイティブ音声対応のAI動画生成 | RunComfy Models・API

Alibaba / Happy Horse 1.1#

Happy Horse 1.1は、Alibabaのネイティブ・マルチモーダル動画モデルです。モデルファミリー全体で、テキストから動画生成、画像から動画生成、参照画像から動画生成、動画編集の4つの機能を提供します。いずれも共通のアーキテクチャを採用し、映像と音声を一度に生成。会話、環境音、フォーリーを後から付け足すのではなく、画面上の動きに合わせて同期させます。

映画品質の表現を目指して調整されており、物理法則に沿った自然な動き、豊かな光と影、プッシュイン、プルアウト、ラックフォーカスといったシネマティックなカメラワークが得意です。複数ショットにまたがって人物の同一性とシーンの連続性を保ち、水墨画、ペーパークラフト、クレイ・ストップモーションまで幅広いスタイルを描き分けます。

本リリースでは、従来の1.0世代をさらに改善しました。以前は鈍く見えがちだった動きにテンポと重さが加わり、アジア系の顔を含む幅広い被写体でも、より安定して外見を保てます。

RunComfyのこのHappy Horse 1.1ページでは、現在テキストから動画生成モードを提供しています。プロンプトを入力すると、音声付きの短い動画が生成されます。画像から動画生成、参照画像から動画生成、編集も同じモデルファミリーに含まれる機能です。

出力形式：解像度：720Pまたは1080P / fps：24 / 長さ：3～15秒 / アスペクト比：16:9、9:16、1:1 / 音声：あり

主な特長#

• 1つのモデルで4つのモード：Happy Horse 1.1は、テキストから動画生成、画像から動画生成、参照画像から動画生成、動画編集に対応。このページではテキストから動画生成モードを利用できます。
• 映像と音声をネイティブに同期：会話、環境音、フォーリーを映像と同時に生成し、1回の処理で音と動きを自然に合わせます。
• シネマティックなルック：大口径らしい被写界深度、空気感、ライティングに優れ、中距離やクローズアップのショットを映画のように仕上げます。
• 表現力のあるカメラワーク：静止した画づくりにとどまらず、プッシュイン、プルアウト、被写界深度の移行に対応します。
• マルチショットの物語表現：最長15秒のクリップ内で、カットをまたいでも人物の同一性と連続性を保ちます。
• より滑らかでテンポのよい動き：従来の1.0世代より動きのペースと勢いが自然になり、モーフィングの破綻も抑えられています。
• 幅広いスタイル：実写風の映像に加え、水墨画、ペーパークラフト、クレイ・ストップモーションなどの表現にも対応します。
• 解像度と画角を調整可能：720Pまたは1080P、16:9・9:16・1:1から選び、長さを3～15秒の範囲で設定できます。

パラメータ#

パラメータ	必須	型	デフォルト	範囲 / 選択肢	説明
prompt*	はい (*)	string	—	—	シーン、動き、カメラワークを文章で指定します。
resolution	いいえ	string	1080P	720P, 1080P	出力解像度。
ratio	いいえ	string	16:9	16:9, 9:16, 1:1	動画のアスペクト比。
duration	いいえ	integer	5	3-15	動画の長さ（秒）。

料金#

料金は動画の長さと解像度によって決まります。

解像度	料金
720P	1秒あたり$0.13
1080P	1秒あたり$0.16

料金の目安

長さ	720P	1080P
5秒（デフォルト）	約$0.65	約$0.80
10秒	約$1.30	約$1.60
15秒	約$1.95	約$2.40

使い方#

1. RunComfyのモデルページを開き、ModelsカタログからHappy Horse 1.1を選択します。
2. 被写体、動作、場所に加え、カメラワークや雰囲気をプロンプトに記述します。
3. 解像度を選びます。低コストで試行するなら720P、最終出力には1080Pがおすすめです。
4. 掲載先に合わせてアスペクト比を設定します。横長は16:9、縦長は9:16、正方形は1:1です。
5. 3～15秒の範囲で長さを選びます。まずは短い動画でルックを詰めると効率的です。
6. 生成後、プレビューで動きと音声の両方を確認します。
7. 一度に少数の表現だけを調整しながらプロンプトを磨き、RunComfyの画面またはAPIからダウンロード・再生成します。

プロンプトと参照素材のコツ#

• まず主役となる被写体と明確な動作を1つ書き、その後に場所やライティングを加えます。
• 歩く、パンする、漂うなど、何を動かすのかが伝わる動詞を具体的に指定します。
• Happy Horse 1.1は映像と同時に音声も生成するため、必要な音の手がかりも記述します。
• 相反するトーンを混ぜず、1つのクリップにつき中心となる雰囲気を1つに絞ります。
• 15秒のレンダリングを行う前に、短い長さでコンセプトを確認します。

Happy Horse 1.1と他モデルの比較#

• Happy Horse 1.0と比べ、動きのテンポが生き生きとし、モーフィングの破綻が減り、多様な顔も安定して扱えることが期待できます（公開情報に基づく）。
• 音声非対応の動画モデルと異なり、同期した会話、環境音、フォーリーもまとめて生成するため、音声を別工程で制作する必要がありません。
• Happy Horseシリーズは、Artificial Analysis Video Arenaのテキストから動画生成および画像から動画生成のブラインド・リーダーボードで首位を獲得し、滑らかな動き、自然な色、音声同期が評価されたことで注目を集めました。
• おすすめの用途：テキストのアイデアから、音声まで仕上がったシネマティックな短編をすばやく作りたい場合に適しています。

あわせて試したいモデル#

• Kling Video — 長めの物語ショットに向くシネマティックな動き。
• Pika 2.2 — SNS向け短尺動画をすばやく試作。
• Wan 2.7 — カスタム音声ファイルに対応したテキストから動画生成。
• Seedance — スタイルとムードを重視したシーン生成。