Happy Horse 1.1：支持原生音频的 AI 视频生成模型与 API | RunComfy

Alibaba / Happy Horse 1.1#

Happy Horse 1.1 是 Alibaba 推出的原生多模态视频模型。完整模型系列涵盖四项能力——文生视频、图生视频、参考图生视频和视频编辑——均基于同一架构，可在一次处理中同步生成画面与声音，让对白、环境声和拟音与动作准确对齐，而非后期添加。

该模型专为电影级效果调校，可呈现可信且符合真实物理规律的运动、丰富光影，以及推进、拉远、焦点转移等电影化镜头语言。它能够在多镜头序列中保持角色身份和场景连续性，并支持从水墨画到纸艺、黏土定格动画等多种视觉风格。

此版本针对早期 1.0 版本进行了优化。以往显得迟缓的动作现在更有节奏和力度；模型面对包括亚洲面孔在内的更多主体时，也能更稳定地保持相貌特征。

在 RunComfy 上，此 Happy Horse 1.1 页面目前运行文生视频模式：输入提示词，即可获得带内置声音的短片。图生视频、参考图生视频和编辑等其他模式同属该模型系列。

输出规格：分辨率：720P 或 1080P / fps：24 / 时长：3-15s / 宽高比：16:9、9:16、1:1 / 音频：包含

亮点#

• 一个模型，四种模式：Happy Horse 1.1 涵盖文生视频、图生视频、参考图生视频和视频编辑；此页面提供文生视频模式。
• 原生音画同步：对白、环境声和拟音与视频共同生成，一次处理即可让声音与动作保持同步。
• 电影感画面：出色的大光圈景深、氛围和光线表现，让中景与近景镜头更具电影质感。
• 丰富的镜头语言：支持推进、拉远和景深转换，生成动态镜头而非静态画面。
• 多镜头叙事：在最长 15 秒的视频中，跨剪辑保持角色身份和画面连续性。
• 更流畅、更有速度感的动作：相较此前的 1.0 版本，动作节奏和动势更好，变形瑕疵也更少。
• 广泛的风格范围：既可生成写实画面，也可呈现水墨、纸艺和黏土定格动画等风格。
• 分辨率与画幅控制：可选择 720P 或 1080P、16:9、9:16 或 1:1，并将时长设为 3 至 15 秒之间的任意值。

参数#

参数	必填	类型	默认值	范围 / 选项	说明
prompt*	是 (*)	string	—	—	对场景、动作和镜头运动的文字描述。
resolution	否	string	1080P	720P, 1080P	输出分辨率档位。
ratio	否	string	16:9	16:9, 9:16, 1:1	视频宽高比。
duration	否	integer	5	3-15	视频时长，以秒为单位。

价格#

按时长计费，费用取决于分辨率：

分辨率	费率
720P	每秒 $0.13
1080P	每秒 $0.16

预估费用示例

时长	720P	1080P
5 s（默认）	~$0.65	~$0.80
10 s	~$1.30	~$1.60
15 s	~$1.95	~$2.40

使用方法#

1. 打开 RunComfy 模型页面，从 Models 目录中选择 Happy Horse 1.1。
2. 编写提示词，说明主体、动作、场景，以及所需的镜头运动或氛围。
3. 选择分辨率：720P 适合低成本迭代，1080P 适合最终交付。
4. 根据发布场景设置宽高比——横屏选 16:9，竖屏选 9:16，方形选 1:1。
5. 将时长设为 3 至 15 秒；调试视觉效果时建议先从较短视频开始。
6. 开始生成，然后在预览中同时检查运动和音频效果。
7. 每次只调整少量描述词进行优化，完成后可下载，也可通过 RunComfy 界面或 API 再次运行。

提示词与参考素材技巧#

• 先说明主要主体和一个清晰动作，再补充场景与光线。
• 明确描述运动（如行走、摇镜、漂移），让模型知道哪些元素需要移动。
• Happy Horse 1.1 会随视频同步生成音频，因此请写明所需的声音提示。
• 每段视频保持一种主导氛围，避免混用相互冲突的情绪基调。
• 先用较短时长验证概念，再投入 15 秒视频的渲染。

Happy Horse 1.1 与其他模型的比较#

• 与 Happy Horse 1.0 相比，用户可以期待更生动的动作节奏、更少的变形瑕疵，以及对不同面部类型更稳定的处理（依据公开信息）。
• 与不生成声音的视频模型相比，它将同步对白、环境声和拟音整合在一起，省去单独制作音频的步骤。
• Happy Horse 系列曾在 Artificial Analysis Video Arena 的文生视频和图生视频盲测排行榜中登顶，并因流畅运动、自然色彩和音画同步而受到关注。
• 理想使用场景：当你希望把文字创意快速变成带音频、具电影感的成片，而不是无声草稿时，可优先选择它。

还可尝试的模型#

• Kling Video — 适合较长叙事镜头的电影感运动。
• Pika 2.2 — 面向社交媒体短片的快速迭代。
• Wan 2.7 — 支持自定义音频文件的文生视频。
• Seedance — 强调风格与氛围的场景生成。