阿里发布视频生成模型HappyHorse 1.1：五大维度全面升级

背景

6月22日，阿里巴巴正式发布其视频生成模型 HappyHorse 1.1。作为 HappyHorse 系列的迭代版本，该模型旨在解决当前视频生成领域普遍存在的痛点，特别是在动态表现力、主体一致性以及指令遵循等关键维度上进行了系统性升级。自发布以来，HappyHorse 系列模型已广泛应用于短剧制作、电商广告、品牌营销及游戏 CG 等内容生产场景，此次 1.1 版本的推出标志着其在技术能力与应用落地层面的进一步成熟。

核心内容

HappyHorse 1.1 相较于 1.0 版本，主要在以下五个核心维度实现了显著的技术突破与体验优化：

1. 动态表现力提升 针对早期版本中部分画面动作迟缓、节奏感不足的问题，1.1 版本重点优化了运动建模与时序一致性能力。这一改进使得生成的视频在动作连贯性和力量感上有了质的飞跃，有效解决了视频生成中常见的“拖沓”现象，使画面更具张力。

2. 主体一致性增强 对于内容创作者而言，保持角色或物体在视频中的稳定性是降低“抽卡率”（即反复生成以获取满意结果的成本）的关键。1.1 版本支持同时输入 9 张角色参考图，能够灵活且稳定地组合商品细节、品牌元素、角色与场景。此外，模型在多分镜与 N 宫格参考理解方面得到增强，这意味着在多角色短剧、直播带货及多人物广告等复杂场景中，可以有效控制角色“变脸”现象，确保视觉连贯性。

3. 指令遵循能力深化 模型对提示词（Prompt）的理解能力得到全面增强，无论是简短描述还是复杂叙事输入均能精准响应。

• 高强度动态场景：对于打斗等复杂动作，仅需简洁提示词即可准确理解并生成。
• 复杂叙事场景：镜头编排稳定性显著提升，能够高质量完成涉及多场景切换和多角色互动的连贯演绎。

4. 视觉质感专项优化 针对用户此前反馈集中的“油光感”和“过度锐化”等问题，1.1 版本进行了专项修复。新版本在提升画质的同时，保留了皮肤纹理（如痘印、法令纹、毛孔）等真实细节，避免了“塑料感”，从而满足短剧、广告等对画面真实质感要求极高的应用场景。

5. 音频能力升级 除了视觉生成，音频能力也得到了显著加强。台词表达更加自然，语速、停顿和语气能够根据场景氛围与角色情绪动态调整。此外，用户还可以通过提示词描述背景音和环境音效，实现视听一体化的内容创作。

技术规格与接入渠道 在技术底层，HappyHorse 1.1 保持了与 1.0 版本一致的规格：单次生成时长为 3 到 15 秒，支持 720p 和 1080p 分辨率，并支持自由宽高比。目前，最新版本已接入 HappyHorse 官网、阿里云百炼（Bailian）以及千问云（Qianwen AI）。

关键要点

• 五大维度升级：HappyHorse 1.1 在动态表现力、主体一致性、指令遵循、视觉质感和音频能力五个方面进行了系统性优化。
• 解决行业痛点：重点攻克了动作迟缓、角色“变脸”、提示词理解偏差、画面“油光感”及音频生硬等视频生成领域的常见难题。
• 支持多图参考：支持同时输入 9 张角色参考图，显著提升了多角色、多分镜场景下的主体一致性，适用于短剧、直播及广告制作。
• 真实感回归：通过保留毛孔、皱纹等细节，缓解了过度锐化和油光感问题，提升了画面的真实质感。
• 音频智能化：支持根据场景和情绪动态调整台词的语速、停顿和语气，并支持背景音效的提示词描述。
• 技术规格不变：单次生成时长 3-15 秒，支持 720p/1080p 分辨率及自由宽高比。
• 生态合作与赛事：联合虎鲸文娱集团举办“Horsepower”AI 影像大赛，优胜者可获得百万商单合作，评委包括张纪中等知名影视人。

意义与影响

HappyHorse 1.1 的发布不仅体现了阿里巴巴在 AIGC 视频生成领域的持续技术投入，更标志着视频生成模型从“可用”向“好用”和“商用”迈进的关键一步。

首先，主体一致性与指令遵循能力的提升，直接降低了专业内容生产者的使用门槛和工作成本。在多角色短剧和电商广告等高复杂度场景中，模型能够提供更稳定的输出，大幅减少后期修正和重复生成的时间，提升了内容生产效率。

其次，视觉质感与音频能力的精细化优化，使得生成的视频更加贴近真实影视标准。保留皮肤细节和自然的音频表现，解决了以往 AI 视频“假面感”强、音画不同步的问题，使其能够直接应用于对画质要求严苛的商业广告和影视制作中。

最后，通过举办“Horsepower”AI 影像大赛，阿里巴巴正在积极构建围绕 HappyHorse 模型的创作者生态。通过提供百万商单激励和知名行业评委背书，旨在吸引更多海内外 AIGC 创作者加入，推动 AI 视频生成技术在更多垂直领域的落地与应用创新，进一步巩固其在生成式 AI 视频赛道的竞争力。