HappyHorse 1.1 publié : cinq améliorations majeures et paramètres techniques

Le 22 juin 2026, Alibaba a publié le modèle de génération vidéo HappyHorse 1.1. Par rapport à la version 1.0 précédente, cette mise à jour apporte des améliorations systématiques sur cinq dimensions clés (expressivité dynamique, cohérence des sujets, suivi des instructions, qualité visuelle et capacités audio) tout en conservant des spécifications techniques constantes. Conçu pour accompagner les créateurs dans des domaines tels que la production de courtes séries, la publicité e-commerce, le marketing de marque et les CG de jeux, ce modèle vise à fournir des workflows de génération vidéo plus fiables et contrôlables.

Améliorations clés des fonctionnalités

Le développement de HappyHorse 1.1 se concentre sur la résolution des défis pratiques rencontrés par les créateurs de contenu numérique. La mise à jour introduit des optimisations ciblées pour améliorer la convivialité et la qualité du résultat final.

1. Expressivité dynamique renforcée

Le rendu des actions dans la génération vidéo reste un défi courant dans toute l'industrie. Pour remédier aux mouvements lents ou au rythme maladroit observés dans la version 1.0, HappyHorse 1.1 propose une modélisation optimisée des mouvements et une cohérence temporelle améliorée. Ces avancées permettent de produire des séquences d'action plus cohérentes et plus puissantes, rendant les scènes dynamiques plus naturelles.

2. Cohérence des sujets améliorée

Maintenir une cohérence visuelle entre les différentes images est crucial pour réduire le « taux de gacha » (taux de résultats aléatoires ou inutilisables) pour les créateurs de contenu. HappyHorse 1.1 prend en charge jusqu'à neuf images de référence de personnages en entrée simultanée. Cette capacité stabilise les détails des produits, les éléments de marque et la relation entre personnages et environnements. Elle améliore également la compréhension du modèle des références multi-images et en grille N, ce qui aide à contrôler le problème du « changement de visage », en particulier dans les séries à plusieurs personnages, le commerce en direct et les publicités multi-personnages.

3. Meilleur suivi des instructions

La capacité du modèle à interpréter les prompts a été améliorée pour gérer les structures descriptives simples comme complexes. Pour les scènes dynamiques intenses, comme les séquences d’action, des prompts simples suffisent désormais à guider la génération. Pour les récits complexes, le modèle offre une meilleure stabilité de composition de la caméra, permettant une exécution cohérente d’histoires multi-scènes et multi-personnages.

4. Qualité visuelle optimisée

Les retours concernant les artefacts visuels comme l’« effet huileux », la « sur-accentuation » et la perte de texture naturelle ont été pris en compte dans cette version. HappyHorse 1.1 réduit ces problèmes visuels, préférant préserver des détails réalistes de la peau comme les cicatrices d’acné, les sillons nasogéniens et les pores. Ce niveau de détail permet de répondre aux exigences strictes de qualité visuelle des publicités professionnelles et des productions de courtes séries.

5. Capacités audio améliorées

Pour rendre la génération vocale plus naturelle, le modèle ajuste désormais dynamiquement le débit de la parole, le rythme, les pauses et le ton émotionnel en fonction du contexte de la scène. De plus, les utilisateurs peuvent décrire les sons d’arrière-plan et les ambiances audio directement dans leurs prompts textuels pour construire une expérience auditive plus immersive.

Spécifications techniques et modes de fonctionnement

Bien que HappyHorse 1.1 introduise des améliorations significatives de la qualité, ses spécifications techniques de base restent identiques à la version 1.0. Le modèle prend en charge des longueurs de vidéo uniques de 3 à 15 secondes, avec des résolutions de 720p ou 1080p et des ratios d’aspect libres.

Voici les paramètres techniques détaillés pour les trois modes de fonctionnement pris en charge par le modèle :

1. Mode Image vers Vidéo (première et dernière image)

Ce mode permet d’animer une image statique en spécifiant l’image initiale, avec un prompt optionnel pour guider le mouvement.

• image_url (chaîne) : URL de l’image de la première image. Formats pris en charge : JPEG, JPG, PNG, BMP, WEBP. L’image doit avoir une dimension minimale de 300 px, un rapport d’aspect compris entre 1:2,5 et 2,5:1, et une taille maximale de 20 Mo.
• prompt (chaîne, optionnel) : Prompt textuel optionnel pour guider l’animation, avec une limite maximale de 2 500 caractères.
• resolution (ResolutionEnum) : Niveau de résolution de la vidéo de sortie. La valeur par défaut est « 1080p », avec des valeurs d’énumération possibles : 720p et 1080p.
• duration (DurationEnum) : Durée de la vidéo de sortie en secondes (de 3 à 15 secondes). La valeur par défaut est « 5 », avec des valeurs d’énumération possibles de 3 à 15.

2. Mode Référence vers Vidéo

Ce mode est conçu pour les scénarios nécessitant une grande cohérence du sujet, en utilisant des images de référence pour maintenir les détails des personnages ou des produits.

• prompt (chaîne) : Prompt textuel décrivant la vidéo souhaitée. Les utilisateurs peuvent faire référence à des sujets spécifiques dans les images téléchargées en utilisant des identifiants comme character1, character2, jusqu’à character9 (l’ordre doit correspondre à l’ordre des URLs d’images fournies). La limite maximale est de 2 500 caractères.
• image_urls (liste de chaînes) : Liste contenant de 1 à 9 images de référence pour la cohérence du sujet. Formats pris en charge : JPEG, JPG, PNG, WEBP. Le côté le plus court de chaque image doit être d’au moins 400 px (une résolution de 720p ou plus est recommandée), avec une taille maximale de 10 Mo par image.
• aspect_ratio (AspectRatioEnum) : Rapport d’aspect de la vidéo générée. La valeur par défaut est « 16:9 », avec des valeurs d’énumération possibles : 16:9, 9:16, 1:1, 4:3, 3:4, 21:9, 9:21, 5:4, et 4:5.
• resolution (ResolutionEnum) : Niveau de résolution de la vidéo de sortie. La valeur par défaut est « 1080p », avec des valeurs d’énumération possibles : 720p et 1080p.
• duration (DurationEnum) : Durée de la vidéo de sortie en secondes (de 3 à 15 secondes). La valeur par défaut est « 5 », avec des valeurs d’énumération possibles de 3 à 15.

3. Mode Texte vers Image

Ce mode permet de générer directement de courtes séquences vidéo à partir de descriptions textuelles.

• prompt (chaîne) : Prompt textuel décrivant la scène vidéo souhaitée, avec une limite maximale de 2 500 caractères.
• aspect_ratio (AspectRatioEnum) : Rapport d’aspect de la sortie générée. La valeur par défaut est « 16:9 », avec des valeurs d’énumération possibles : 16:9, 9:16, 1:1, 4:3, 3:4, 21:9, 9:21, 5:4, et 4:5.
• resolution (ResolutionEnum) : Niveau de résolution de la vidéo de sortie. La valeur par défaut est « 1080p », avec des valeurs d’énumération possibles : 720p et 1080p.
• duration (DurationEnum) : Durée de la vidéo de sortie en secondes (de 3 à 15 secondes). La valeur par défaut est « 5 », avec des valeurs d’énumération possibles de 3 à 15.

Conclusion et scénarios d’application

En maintenant des spécifications techniques constantes tout en se concentrant sur les points de douleur clés de l’expérience utilisateur, HappyHorse 1.1 offre un outil plus pratique pour les créateurs de contenu. Le modèle continue de servir divers environnements de production, notamment les courtes séries, le e-commerce, le marketing de marque et les CG de jeux. Alibaba poursuit l’itération des capacités du modèle pour répondre aux besoins évolutifs de l’industrie des médias numériques.