HappyHorse 1.1 Pubblicato: Cinque Grandi Aggiornamenti e Parametri Tecnici

Il 22 giugno 2026, Alibaba ha rilasciato il modello di generazione video HappyHorse 1.1. Rispetto alla precedente versione 1.0, questo rilascio introduce miglioramenti sistematici in cinque dimensioni chiave (espressività dinamica, coerenza del soggetto, seguito delle istruzioni, qualità visiva e capacità audio) mantenendo al contempo specifiche tecniche coerenti. Progettato per supportare i creatori in settori come la produzione di cortometraggi, la pubblicità e-commerce, il marketing di marca e la CG per videogiochi, il modello mira a fornire flussi di lavoro di generazione video più affidabili e controllabili.

Miglioramenti Principali delle Funzionalità

Lo sviluppo di HappyHorse 1.1 si concentra sull'affrontare le sfide pratiche incontrate dai creatori di contenuti digitali. L'aggiornamento introduce ottimizzazioni mirate per migliorare l'usabilità e la qualità del risultato finale.

1. Espressività Dinamica Migliorata

Il rendering delle azioni nella generazione video rimane una sfida comune in tutto il settore. Per risolvere i problemi di movimenti lenti o ritmi innaturali osservati nella versione 1.0, HappyHorse 1.1 presenta una modellazione del movimento e una coerenza temporale ottimizzate. Questi miglioramenti aiutano a produrre sequenze di movimento più coerenti e potenti, rendendo le scene ricche di azione più naturali.

2. Coerenza del Soggetto Migliorata

Mantenere la coerenza visiva tra i diversi fotogrammi è fondamentale per ridurre il "tasso di gacha" (il tasso di output casuali o inutilizzabili) per i creatori di contenuti. HappyHorse 1.1 supporta l'input simultaneo di un massimo di nove immagini di riferimento del personaggio. Questa capacità stabilizza i dettagli di prodotti, elementi del marchio e la relazione tra personaggi e ambienti. Migliora anche la comprensione del modello dei riferimenti multi-inquadratura e N-griglia, aiutando a controllare il problema del "cambio di volto", particolarmente nei drammi con più personaggi, nel live commerce e nella pubblicità con più persone.

3. Migliore Seguito delle Istruzioni

La capacità del modello di interpretare i prompt è stata aggiornata per gestire strutture descrittive sia semplici che complesse. Per scene dinamiche ad alta intensità, come sequenze d'azione, i prompt semplici sono ora sufficienti per guidare il processo di generazione. Per narrazioni complesse, il modello offre una maggiore stabilità della composizione della fotocamera, consentendo l'esecuzione coerente di storie multi-scena e multi-personaggio.

4. Qualità Visiva Ottimizzata

I feedback riguardanti artefatti visivi come "oleosità", "nitidezza eccessiva" e perdita di consistenza naturale sono stati affrontati in questo rilascio. HappyHorse 1.1 riduce questi problemi visivi, optando invece per preservare dettagli realistici della pelle come segni di acne, pieghe nasolabiali e pori. Questo livello di dettaglio aiuta a soddisfare le severe esigenze di qualità visiva della pubblicità professionale e della produzione di cortometraggi.

5. Capacità Audio Aggiornate

Per rendere la generazione vocale più naturale, il modello ora adatta dinamicamente la consegna del dialogo, il ritmo, le pause e il tono emotivo in base al contesto della scena. Inoltre, gli utenti possono descrivere i suoni di sottofondo e l'audio ambientale direttamente nei loro prompt testuali per creare un'esperienza uditiva più coinvolgente.

Specifiche Tecniche e Modalità Operative

Sebbene Happy Horse 1.1 introduca significativi miglioramenti qualitativi, le sue specifiche tecniche fondamentali rimangono coerenti con la versione 1.0. Il modello supporta durate video di generazione singola da 3 a 15 secondi, con risoluzioni di 720p o 1080p e proporzioni libere.

Di seguito sono riportati i parametri tecnici dettagliati per le tre modalità operative supportate dal modello:

1. Modalità Da Immagine a Video (Primo e Ultimo Fotogramma)

Questa modalità consente agli utenti di animare un'immagine statica specificando il fotogramma iniziale, con un prompt opzionale per guidare il movimento.

• image_url (stringa): L'URL dell'immagine del primo fotogramma. I formati supportati includono JPEG, JPG, PNG, BMP e WEBP. L'immagine deve avere una dimensione minima di 300px, un rapporto d'aspetto tra 1:2.5 e 2.5:1 e una dimensione massima del file di 20 MB.
• prompt (stringa, opzionale): Un prompt testuale opzionale per guidare l'animazione, con un limite massimo di 2500 caratteri.
• resolution (ResolutionEnum): Il livello di risoluzione video di output. Il valore predefinito è "1080p", con possibili valori enum di 720p e 1080p.
• duration (DurationEnum): La durata del video di output in secondi (da 3 a 15 secondi). Il valore predefinito è "5", con possibili valori enum da 3 a 15.

2. Modalità Da Riferimento a Video

Questa modalità è progettata per scenari che richiedono un'elevata coerenza del soggetto, utilizzando immagini di riferimento per mantenere i dettagli del personaggio o del prodotto.

• prompt (stringa): Un prompt testuale che descrive il video desiderato. Gli utenti possono fare riferimento a soggetti specifici dalle immagini caricate utilizzando identificatori come character1, character2, fino a character9 (l'ordine deve corrispondere all'ordine degli URL delle immagini fornite). Il limite massimo è di 2500 caratteri.
• image_urls (elenco di stringhe): Un elenco contenente da 1 a 9 immagini di riferimento per la coerenza del soggetto. I formati supportati includono JPEG, JPG, PNG e WEBP. Il lato più corto di ogni immagine deve essere di almeno 400px (si consiglia una risoluzione di 720p o superiore), con una dimensione massima del file di 10 MB per immagine.
• aspect_ratio (AspectRatioEnum): Il rapporto d'aspetto del video generato. Il valore predefinito è "16:9", con possibili valori enum che includono 16:9, 9:16, 1:1, 4:3, 3:4, 21:9, 9:21, 5:4 e 4:5.
• resolution (ResolutionEnum): Il livello di risoluzione video di output. Il valore predefinito è "1080p", con possibili valori enum di 720p e 1080p.
• duration (DurationEnum): La durata del video di output in secondi (da 3 a 15 secondi). Il valore predefinito è "5", con possibili valori enum da 3 a 15.

3. Modalità Da Testo a Video

Questa modalità funziona per generare sequenze video brevi direttamente da descrizioni testuali.

• prompt (stringa): Un prompt testuale che descrive la scena video desiderata, con un limite massimo di 2500 caratteri.
• aspect_ratio (AspectRatioEnum): Il rapporto d'aspetto dell'output generato. Il valore predefinito è "16:9", con possibili valori enum che includono 16:9, 9:16, 1:1, 4:3, 3:4, 21:9, 9:21, 5:4 e 4:5.
• resolution (ResolutionEnum): Il livello di risoluzione video di output. Il valore predefinito è "1080p", con possibili valori enum di 720p e 1080p.
• duration (DurationEnum): La durata del video di output in secondi (da 3 a 15 secondi). Il valore predefinito è "5", con possibili valori enum da 3 a 15.

Conclusione e Scenari Applicativi

Mantenendo specifiche tecniche coerenti e concentrandosi sui punti critici chiave dell'esperienza utente, HappyHorse 1.1 offre uno strumento più pratico per i creatori di contenuti. Il modello continua a servire diversi ambienti di produzione, tra cui cortometraggi, e-commerce, marketing di marca e CG per videogiochi. Alibaba continua a iterare sulle capacità del modello per supportare le esigenze in evoluzione del settore dei media digitali.