HappyHorse 1.1

Visão geral do posicionamento

happyhorse-1.1/reference-to-video é a rota da série happyhorse-1.1 da Alibaba voltada para geração de vídeo a partir de imagens de referência (R2V), chamada por meio da interface unificada do HiAPI.ai. Ela recebe de 1 a 9 imagens de referência e um prompt de texto, combina as características do sujeito presentes nas múltiplas imagens para gerar vídeos curtos de 3 a 15 segundos em 720p ou 1080p, e oferece suporte a diversas proporções de tela, como 16:9, 9:16 e 1:1. Essa rota enfatiza a consistência de aparência de sujeitos e personagens entre múltiplas cenas, sendo adequada para produções que exigem desempenho estável de personagens, como séries curtas, anúncios de e-commerce, marketing de marcas e pré-visualização em CG.

Destaques principais

• Fusão de até 9 imagens de referência, com características estáveis do sujeito — é possível enviar de 1 a 9 imagens de referência de uma vez, e o prompt as referencia em ordem como [Image 1], [Image 2], facilitando manter a aparência de personagens e produtos consistente em projetos com múltiplas cenas.
• Duração de 3 a 15 segundos por segmento, com custo proporcional à duração — a duração pode ser definida conforme a necessidade entre 3 e 15 segundos, com cobrança por segundo de saída, permitindo testar trechos curtos e finalizar segmentos completos com a mesma rota.
• Duas opções, 720p e 1080p, com nove proporções de tela — a resolução oferece suporte a 720p e 1080p, e as proporções cobrem 16:9, 9:16, 1:1, 4:5, 21:9 etc., facilitando a geração direta para a plataforma de publicação.

Descrição das capacidades

Geração orientada por múltiplas imagens de referência: ao enviar de 1 a 9 imagens de referência junto com um prompt de texto, o modelo combina as características do sujeito das imagens de referência para gerar o vídeo, sendo adequado para produções de conteúdo contínuo que exigem personagens ou imagens de produto fixas.

Duração e resolução controláveis: a duração de um vídeo individual pode ser definida entre 3 e 15 segundos, e a resolução de saída pode ser 720p ou 1080p, permitindo que desenvolvedores controlem com flexibilidade a escala de geração e os critérios de cobrança conforme a fase de finalização.

Adaptação a múltiplas proporções de tela: oferece suporte a nove proporções de saída — 16:9, 9:16, 3:4, 4:3, 4:5, 5:4, 1:1, 9:21 e 21:9 — permitindo reutilizar o mesmo material de referência em posicionamentos horizontais, verticais e quadrados.

Geração conjunta de imagem e áudio: esta versão traz melhorias na geração conjunta de imagem e áudio, com sincronização mais precisa entre áudio e vídeo na saída, reduzindo o trabalho de ajuste de alinhamento na pós-produção.

Cenários de aplicação

• Equipes de séries curtas: imagens de referência de personagem + prompts de storyboard — usar várias imagens de referência de personagem para manter a consistência de aparência e gerar em lote os trechos de cada cena, que, após edição e montagem, formam a série curta finalizada.
• Operação de e-commerce: imagens do produto em vários ângulos + texto de argumentos de venda — usar fotos reais do produto como referência para gerar vídeos curtos de exibição dinâmica, usados diretamente em páginas de detalhes do produto e materiais de veiculação em feeds.
• Marketing de marcas: imagens de personagens virtuais + roteiro de campanha — fixar a aparência de personagens virtuais e gerar vídeos curtos de marketing em diferentes proporções conforme o roteiro, para distribuição em canais horizontais e verticais.
• Pré-visualização em CG: imagens de design conceitual + descrição de cena — converter rapidamente imagens conceituais em trechos de pré-visualização dinâmica, usados para validar ritmo de cenas e composição na fase inicial, reduzindo o custo de tentativa e erro da produção oficial.

Limitações e recomendações de escolha

O limite de duração por segmento é de 15 segundos, e narrativas mais longas exigem geração em partes e posterior montagem; a saída máxima é 1080p, não sendo adequada para entregas de nível cinematográfico em alta resolução. Aceita apenas entrada de texto e imagem, não oferecendo suporte a entrada no estilo edição de vídeo nem a continuação de vídeos. As melhorias desta versão em relação à 1.0 são em grande parte descritas pelo provedor, sem benchmarks quantitativos públicos; recomenda-se, na escolha, testar com material próprio. A cobrança é por segundo, e gerações longas ou com múltiplas alternativas acumulam custos; sugere-se validar primeiro o efeito com trechos curtos de 3 a 5 segundos. Se a necessidade tender a um desempenho cinematográfico de movimento puramente orientado por texto, pode-se avaliar a rota de geração de vídeo a partir de texto da mesma série ou outros modelos.