HappyHorse 1.1

Краткое описание

happyhorse-1.1/reference-to-video — это модель линейки Alibaba happyhorse-1.1, ориентированная на генерацию видео по референсным изображениям (R2V) и доступная через единый интерфейс HiAPI.ai. Она принимает от 1 до 9 референсных изображений и текстовый промпт, объединяет признаки субъектов с нескольких изображений и создаёт короткое видео длительностью от 3 до 15 секунд в разрешении 720p или 1080p с поддержкой различных соотношений сторон, включая 16:9, 9:16 и 1:1. Эта модель делает акцент на согласованности внешнего вида субъектов и персонажей между разными кадрами, что делает её подходящей для производственных задач, требующих стабильного отображения персонажей: коротких сериалов, рекламы для электронной коммерции, брендового маркетинга и CG-превизуализации.

Ключевые особенности

• Объединение до 9 референсных изображений, стабильные признаки субъектов — за один раз можно передать от 1 до 9 референсных изображений; в промпте они упоминаются по порядку как [Image 1], [Image 2], что упрощает сохранение единообразного внешнего вида персонажей и товаров в проектах с несколькими кадрами.
• Длительность одного сегмента от 3 до 15 секунд, стоимость зависит от длительности — длительность можно задать от 3 до 15 секунд по необходимости; оплата взимается за секунды выходного видео, поэтому и пробные короткие фрагменты, и полные сцены создаются в рамках одной модели.
• Два разрешения — 720p и 1080p, девять вариантов соотношения сторон — поддерживаются разрешения 720p и 1080p, а соотношения сторон охватывают 16:9, 9:16, 1:1, 4:5, 21:9 и другие, что позволяет сразу готовить видео под конкретную платформу публикации.

Описание возможностей

Генерация по нескольким референсным изображениям: при передаче от 1 до 9 референсных изображений вместе с текстовым промптом модель объединяет признаки субъектов с референсов и генерирует видео, что подходит для последовательного создания контента с фиксированным внешним видом персонажа или товара.

Управляемая длительность и разрешение: длительность одного видео задаётся от 3 до 15 секунд, выходное разрешение выбирается из 720p или 1080p; разработчики могут гибко управлять масштабом генерации и условиями тарификации в зависимости от этапа производства.

Адаптация под различные соотношения сторон: поддерживается девять форматов вывода — 16:9, 9:16, 3:4, 4:3, 4:5, 5:4, 1:1, 9:21 и 21:9; одни и те же референсные материалы можно повторно использовать для горизонтальных, вертикальных и квадратных размещений.

Совместная генерация изображения и звука: в этой версии улучшена совместная генерация видео и аудио — синхронизация звука и изображения в выходном видео стала точнее, что снижает объём работы по выравниванию на постпродакшене.

Сценарии применения

• Команды коротких сериалов: референсы персонажей + промпты для раскадровки — использование нескольких референсных изображений персонажа для сохранения единообразного внешнего вида и пакетная генерация фрагментов для каждого кадра с последующим монтажом в готовый короткий сериал.
• Электронная коммерция: многракурсные фото товара + текст с преимуществами — генерация динамичных демонстрационных роликов на основе реальных фотографий товара для прямого использования на страницах товара и в рекламных материалах для ленты.
• Брендовый маркетинг: изображения виртуального персонажа + сценарий кампании — фиксация внешнего вида виртуального персонажа и генерация маркетинговых роликов в разных форматах по сценарию для распространения на горизонтальных и вертикальных каналах.
• CG-превизуализация: концепт-арт + описание кадра — быстрый перевод концепт-изображений в динамичные превизуализационные фрагменты для проверки ритма кадров и композиции на раннем этапе, что снижает затраты на пробы и ошибки при основном производстве.

Ограничения и рекомендации по выбору

Максимальная длительность одного сегмента — 15 секунд; для более длинного повествования требуется генерировать фрагменты по отдельности и затем склеивать их. Максимальное выходное разрешение — 1080p, поэтому модель не подходит для кинопроизводственной сдачи в высоком разрешении. Принимаются только текстовые и графические входные данные; ввод в стиле видеомонтажа или продолжение видео не поддерживаются. Улучшения этой версии по сравнению с 1.0 в основном описаны поставщиком и не имеют публичных количественных критериев, поэтому при выборе рекомендуется протестировать модель на собственных материалах. Оплата поминутная (по секундам), длительная генерация или генерация нескольких вариантов накапливает затраты, поэтому сначала рекомендуется проверить результат на коротких фрагментах длительностью 3–5 секунд. Если требуется кинематографическое движение, управляемое исключительно текстом, стоит рассмотреть модели линейки text-to-video или другие модели.