HappyHorse 1.1 リリース：5つの主要機能アップグレードと技術パラメータ

2026年6月22日、Alibabaは動画生成モデル HappyHorse 1.1 をリリースしました。従来の1.0バージョンと比較して、本リリースでは5つの主要な側面（動的表現力、被写体の一貫性、指示追従性、画質、オーディオ機能）において体系的な強化が行われています。技術仕様は一貫して維持されており、ショートドラマ制作、EC広告、ブランドマーケティング、ゲームCGなどの分野のクリエイターをサポートし、より信頼性が高く制御可能な動画生成ワークフローを提供することを目的としています。

主要機能のアップグレード

HappyHorse 1.1 の開発は、デジタルコンテンツクリエイターが直面する実際的な課題に焦点を当てています。本アップグレードでは、使いやすさと最終出力品質の向上を目的とした、的を絞った最適化が導入されています。

1. 動的表現力の強化

動画生成におけるアクションレンダリングは、業界全体で依然として共通の課題です。1.0 バージョンで見られた動きのもたつきやぎこちないテンポの問題に対処するため、HappyHorse 1.1 では動作モデリングと時間的一貫性が最適化されています。これらの改良により、より一貫性があり力強い動きのシーケンスが生成され、アクションの多い場面がより自然に見えるようになります。

2. 被写体の一貫性の改善

フレーム間で視覚的な一貫性を維持することは、コンテンツクリエイターにとって「ガチャ率」（ランダムまたは使用できない出力の割合）を低減する上で重要です。HappyHorse 1.1 は、最大 9 枚のキャラクター参照画像を同時に入力できます。この機能により、商品やブランド要素の詳細、およびキャラクターと環境の関係が安定します。また、マルチフレームや N-grid 参照に対するモデルの理解も向上し、特にマルチキャラクターのドラマ、ライブコマース、複数人の広告において「顔面変化」の問題を抑制するのに役立ちます。

3. 指示追従性の向上

プロンプトを解釈するモデルの能力が向上し、単純な記述構造と複雑な記述構造の両方を処理できるようになりました。アクションシーケンスなどの高強度の動的シーンでは、単純なプロンプトで生成プロセスを導くことができます。複雑なナラティブの場合、モデルはより強力なカメラ構図の安定性を提供し、マルチシーンやマルチキャラクターのストーリーを一貫して実行できるようにします。

4. 画質の最適化

「油っぽさ」「過度なシャープネス」、自然な質感の喪失などの視覚アーティファクトに関するフィードバックは、本リリースで対処されています。HappyHorse 1.1 はこれらの視覚的問題を軽減し、代わりにニキビ跡、ほうれい線、毛穴などのリアルな肌のディテールを保持します。このレベルのディテールは、プロフェッショナルな広告やショートドラマ制作の厳しい画質要件を満たすのに役立ちます。

5. オーディオ機能のアップグレード

音声生成をより自然にするために、モデルはシーンのコンテキストに基づいてダイアログの伝達、テンポ、間、感情的なトーンを動的に調整するようになりました。さらに、ユーザーはテキストプロンプト内で背景音や環境音を直接記述して、より没入感のある聴覚体験を構築できます。

技術仕様と動作モード

HappyHorse 1.1 は大幅な品質アップグレードを導入していますが、その基本的な技術仕様は 1.0 バージョンと一貫しています。モデルは 1 回の生成で 3～15 秒の動画長、720p または 1080p の解像度、自由なアスペクト比をサポートしています。

以下は、モデルがサポートする 3 つの動作モードの詳細な技術パラメータです。

1. 画像 to 動画（先頭・最終フレーム）モード

このモードでは、初期フレームを指定し、オプションのプロンプトで動きをガイドすることで、静止画像をアニメーション化できます。

• image_url（文字列）：先頭フレーム画像の URL。サポートされる形式は JPEG、JPG、PNG、BMP、WEBP です。画像の最小寸法は 300px、アスペクト比は 1:2.5～2.5:1、最大ファイルサイズは 20 MB です。
• prompt（文字列、オプション）：アニメーションをガイドするオプションのテキストプロンプト。最大 2500 文字です。
• resolution（ResolutionEnum）：出力動画の解像度階層。デフォルト値は "1080p"、可能な enum 値は 720p と 1080p です。
• duration（DurationEnum）：出力動画の長さ（秒）。3～15 秒。デフォルト値は "5"、可能な enum 値は 3～15 です。

2. 参照 to 動画モード

このモードは、高い被写体一貫性が求められるシナリオ向けに設計されており、参照画像を使用してキャラクターや商品のディテールを維持します。

• prompt（文字列）：希望する動画を説明するテキストプロンプト。ユーザーは character1、character2、最大 character9 などの識別子を使用して、アップロードされた画像内の特定の被写体を参照できます（順序は提供された画像 URL の順序に対応している必要があります）。最大 2500 文字です。
• image_urls（文字列のリスト）：被写体の一貫性のための 1～9 枚の参照画像のリスト。サポートされる形式は JPEG、JPG、PNG、WEBP です。各画像の短辺は最低 400px（720p 以上の解像度を推奨）、最大ファイルサイズは 10 MB です。
• aspect_ratio（AspectRatioEnum）：生成される動画のアスペクト比。デフォルト値は "16:9"、可能な enum 値には 16:9、9:16、1:1、4:3、3:4、21:9、9:21、5:4、4:5 が含まれます。
• resolution（ResolutionEnum）：出力動画の解像度階層。デフォルト値は "1080p"、可能な enum 値は 720p と 1080p です。
• duration（DurationEnum）：出力動画の長さ（秒）。3～15 秒。デフォルト値は "5"、可能な enum 値は 3～15 です。

3. テキスト to 画像モード

このモードは、テキスト記述から直接短い動画シーケンスを生成する機能です。

• prompt（文字列）：希望する動画シーンを説明するテキストプロンプト。最大 2500 文字です。
• aspect_ratio（AspectRatioEnum）：生成される出力のアスペクト比。デフォルト値は "16:9"、可能な enum 値には 16:9、9:16、1:1、4:3、3:4、21:9、9:21、5:4、4:5 が含まれます。
• resolution（ResolutionEnum）：出力動画の解像度階層。デフォルト値は "1080p"、可能な enum 値は 720p と 1080p です。
• duration（DurationEnum）：出力動画の長さ（秒）。3～15 秒。デフォルト値は "5"、可能な enum 値は 3～15 です。

まとめと適用シナリオ

一貫した技術仕様を維持しながら、主要なユーザーエクスペリエンスの痛点に焦点を当てることで、HappyHorse 1.1 はコンテンツクリエイターにとってより実用的なツールを提供します。このモデルは、ショートドラマ、EC、ブランドマーケティング、ゲームCGなど、多様な制作環境で引き続き活用されています。Alibaba はデジタルメディア業界の進化するニーズをサポートするため、モデルの機能を継続的に改良しています。