HappyHorse 1.1-এ শব্দ কোনো অপশন নয়: ছবি, অডিও আর লিপ-সিঙ্ক একই পাস থেকে বেরোয়, তাই কথা বলা কোনো চরিত্র ঠোঁটের সঙ্গে মিলেই আসে।
HappyHorse 1.1 হলো একটি তৃতীয় পক্ষের ভিডিও মডেল, যেটিতে আমরা alibaba/happyhorse-1.1 এন্ডপয়েন্টে রাউট করি — আমরা একে ট্রেন করি না বা হোস্ট করি না। এখানে একে আলাদা করে যা, তা হলো শব্দ ঐচ্ছিক নয়: অডিও আর লিপ-সিঙ্ক ছবির সঙ্গে একই পাসেই তৈরি হয়, তাই কথা বলা কোনো চরিত্র ডাব করার ধাপ ছাড়াই ঠোঁটের সঙ্গে মিলে আসে। একটি প্যানেলে তিনটি মোড — টেক্সট-টু-ভিডিও, ইমেজ-টু-ভিডিও, আর এক থেকে নয়টি ছবি নেওয়া রেফারেন্স-টু-ভিডিও।
সীমাগুলো জেনে নিন। দুই রেজোলিউশনেই এর প্রতি-সেকেন্ড হার Wan 2.7-এর চেয়ে বেশি, তাই শটটা আরও সস্তা কোথাও খুঁজে নিয়ে যেটি রাখবেন সেটি এখানে আবার রেন্ডার করুন। অডিও বন্ধ করা যায় না, তাই নিজে সুর বসানোর মতো কোনো পরিষ্কার প্লেট নেই, আর সর্বোচ্চ সীমা 1080p। ছয়-ভাষার লিপ-সিঙ্কের অঙ্কটি মডেলের নিজের নথিভুক্ত দাবি — আমরা এখানে প্রতিটি ভাষা পরীক্ষা করিনি — আর নিচের ক্লিপগুলোর সময়ও আমরা মাপিনি, তাই এই পাতা গতির কোনো দাবি করে না।
Alibaba-র শীর্ষস্থানীয় ভিডিও মডেল ফুটেজ ও শব্দ একসঙ্গে তৈরি করে — ছয়টি ভাষায় ফ্রেম-নিখুঁত লিপ-সিঙ্ক, বাস্তবসম্মত ফিজিক্স এবং চরিত্রের ধারাবাহিকতার জন্য সর্বোচ্চ নয়টি রেফারেন্স ছবি।
HappyHorse সাউন্ডট্র্যাক আর ছবি একই পাসে তৈরি করে, ফলে সংলাপ, পরিবেশধ্বনি ও এফেক্ট স্ক্রিনের ঘটনার সঙ্গে স্বভাবতই মিলে যায়। আলাদা অডিও ধাপ নেই, ম্যানুয়াল সিঙ্ক নেই — ক্লিপটি পোস্ট করার জন্য একেবারে প্রস্তুত অবস্থায় আসে।
ইংরেজি, ম্যান্ডারিন, জাপানি, কোরিয়ান, জার্মান ও ফরাসি ভাষায় কথা বলা চরিত্রের ঠোঁট নিখুঁতভাবে মেলে। প্রম্পটে সংলাপ লিখে দিন, মডেলই ফ্রেম-নিখুঁত মুখভঙ্গি সামলে নেবে — ধারাবর্ণনাসহ শর্টস আর বহুভাষিক সোশ্যাল কনটেন্টের জন্য একদম মানানসই।
রেফারেন্স-টু-ভিডিও মোডে সর্বোচ্চ নয়টি ছবি দেওয়া যায়, যেগুলো ক্রমানুসারে character1, character2 ইত্যাদি হিসেবে উল্লেখ করা হয় — কোনো ফাইন-টিউনিং ছাড়াই পুরো ক্লিপ জুড়ে মুখ, পোশাক ও প্রপ অপরিবর্তিত থাকে।
স্বাধীন ভিডিও লিডারবোর্ডে শীর্ষস্থানীয় মডেলগুলোর একটি: কাপড় টেনে চলে, পানি সরে যায়, আর বস্তুতে থাকে বিশ্বাসযোগ্য ভর। বেছে নিন 720p বা 1080p, 3-15 সেকেন্ড, আর ভার্টিক্যাল 9:16 থেকে আল্ট্রাওয়াইড 21:9 পর্যন্ত নয়টি অ্যাসপেক্ট রেশিও।
২০২৬ সালের ১৫ অগাস্টে এখানেই তৈরি, প্রথম চেষ্টাতেই, প্রম্পট ও সেটিংস হুবহু দেখানো। প্রতিটি ক্লিপ এই পাতার নিচে দাবি করা সক্ষমতাগুলোর একটিকে যাচাই করে।
A news presenter at a desk speaking directly to camera, clear mouth movement matching speech, studio lighting, static medium shot.
A barista explaining a pour-over to a customer across the counter, gesturing at the kettle, warm cafe ambience, medium two-shot.
এই দলে এটিই সেই মডেল যা শব্দকে পরে যোগ করা কিছু নয়, শটেরই অংশ হিসেবে দেখে — আর দামও সেভাবেই রাখে।
সংলাপ, ঠোঁটের ভঙ্গি আর ছবি একই পাস থেকে বেরোয়, তাই একজন উপস্থাপক, একজন মুখপাত্র বা সংলাপওয়ালা কোনো চরিত্র সিঙ্ক হয়েই আসে। এডিটে মেলানোর কিছু নেই, আর আলাদা কোনো কণ্ঠের কাজ দেওয়ারও দরকার নেই।
রেফারেন্স-টু-ভিডিও সর্বোচ্চ নয়টি ছবি নেয় আর আপনি প্রম্পটে সেগুলো character1, character2 এভাবে উল্লেখ করেন। একটি ছোট দল আর যেসব প্রপ ও পোশাক অপরিবর্তিত থাকতে হবে, তার জন্য এতগুলো স্লটই যথেষ্ট।
নয়টি অ্যাসপেক্ট রেশিও, ফিড পোস্টের জন্য 4:5 আর 5:4 এবং দুই প্রান্তে 21:9 আর 9:21-সহ, তাই ফ্রেমিং ঠিক হয় জেনারেশনের সময়েই, অন্য কোনো আকারের জন্য বানানো কিছু ক্রপ করে নয়।
প্রতিবারই অডিও ছবির সঙ্গে তৈরি হয়, তাই যা ফিরে আসে তা যেমন আছে তেমনই পোস্ট করা যায়। ডেলিভারেবল যখন কণ্ঠসহ একটি শর্ট আর ডেডলাইন যখন আজই, তখন এটি সত্যিকারের সময় বাঁচায়।
দুই রেজোলিউশনেই এর প্রতি-সেকেন্ড হার Wan 2.7-এর চেয়ে বেশি, তাই আরও সস্তা কোথাও ইটারেট করুন আর যেটি রাখবেন সেটি এখানে আবার রেন্ডার করুন। অডিও বন্ধ করা যায় না, তাই নিজে সুর বসানোর মতো কোনো পরিষ্কার প্লেট নেই, আর সর্বোচ্চ সীমা 1080p — 4K চূড়ান্ত ছবির জায়গা Kling 3.0।
একই ওয়ার্কস্পেস, একই ক্রেডিট পুল — এদের যেকোনোটিতে বদলাতে এক ক্লিক।
| HappyHorse 1.1 | Wan 2.7 | Hailuo 02 | Kling 3.0 | |
|---|---|---|---|---|
| রেজোলিউশন | 720p · 1080p | 720p · 1080p | 512p · 768p · 1080p | 720p · 1080p · 4K |
| ক্লিপের দৈর্ঘ্য | 3–15s, যেকোনো পূর্ণ সেকেন্ড | 2–15s, যেকোনো পূর্ণ সেকেন্ড | 6 বা 10s — 1080p কেবল 6s | 3–15s, যেকোনো পূর্ণ সেকেন্ড |
| বিল কীভাবে হয় | আউটপুটের প্রতি সেকেন্ডে | আউটপুটের প্রতি সেকেন্ডে | প্রতি সম্পূর্ণ ক্লিপে, পাঁচ সারির একটি নির্দিষ্ট তালিকা থেকে | আউটপুটের প্রতি সেকেন্ডে |
| শব্দ | নেটিভ অডিও আর লিপ-সিঙ্ক, সবসময় চালু, কোনো টগল নেই | নেটিভ, সবসময় চালু, কোনো টগল নেই | কোনো অডিও প্যারামিটার নেই — ক্লিপ নীরব হয়ে ফেরে | ঐচ্ছিক টগল, ডিফল্টে বন্ধ |
| প্রতি সেকেন্ডে ক্রেডিট, 720p | 65 | 40 | প্রযোজ্য নয় — দাম প্রতি ক্লিপে, আর এর সবচেয়ে কাছের স্তর 768p | নীরবে 45 · শব্দসহ 60 |
| প্রতি সেকেন্ডে ক্রেডিট, 1080p | 85 | 70 | প্রযোজ্য নয় — দাম প্রতি ক্লিপে | নীরবে 60 · শব্দসহ 85 |
| প্রতি সেকেন্ডে ক্রেডিট, 4K | দেওয়া হয় না | দেওয়া হয় না | দেওয়া হয় না | 200, শব্দ কোনো বাড়তি খরচ ছাড়াই অন্তর্ভুক্ত |
| 6 সেকেন্ডের একটি 1080p ক্লিপের ক্রেডিট | 510 | 420 | 240 | নীরবে 360 · শব্দসহ 510 |
| একটি ক্লিপের ক্রেডিট, সর্বনিম্ন থেকে সর্বোচ্চ | 195–1,275 | 80–1,050 | 40–240 | 135–3,000 |
| ইমেজ-টু-ভিডিও | হ্যাঁ, একটি প্রথম ফ্রেম | হ্যাঁ, একটি প্রথম ফ্রেম | হ্যাঁ, একটি প্রথম ফ্রেম | হ্যাঁ, একটি প্রথম ফ্রেম |
| পরিচয়ের জন্য রেফারেন্স ছবি | সর্বোচ্চ 9টি, প্রম্পটে character1, character2 … হিসেবে উল্লেখ করা | সর্বোচ্চ 5টি, প্রম্পটে Image 1, Image 2 … হিসেবে উল্লেখ করা | কিছু নেই — কোনো রেফারেন্স-টু-ভিডিও মোড নেই | কিছু নেই — একটিমাত্র ছবিই প্রথম ফ্রেম |
| অ্যাসপেক্ট রেশিও | 9 — 9:21 থেকে 21:9 পর্যন্ত | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | কোনো অ্যাসপেক্ট-রেশিও প্যারামিটার নেই | 3 — 16:9, 9:16, 1:1 |
| আমাদের নিজেদের মাপা গতি | পরিমাপ করা হয়নি | পরিমাপ করা হয়নি | দুটি 768p 6-সেকেন্ডের ক্লিপে 94s আর 86s (2টি ক্লিপ, আগস্ট 2026) | পরিমাপ করা হয়নি |
এই টেবিলের প্রতিটি রেজোলিউশন, ক্লিপের দৈর্ঘ্য আর ক্রেডিটের অঙ্ক 20 আগস্ট 2026-এ আমাদের নিজেদের মডেল রেজিস্ট্রি আর আমাদের কোডের হারের তালিকা থেকে পড়া — যে তালিকাগুলো দিয়ে আপনার জেনারেশনের দাম হিসাব হয় সেগুলোই, ভেন্ডরের বিপণনের পাতা নয়। HappyHorse 1.1, Wan 2.7 আর Kling 3.0 প্রতি সেকেন্ডে বিল করে, তাই তাদের প্রতি-ক্লিপ অঙ্কটি হলো হারকে আপনার বাছা দৈর্ঘ্য দিয়ে গুণ করা; Hailuo 02 একটি নির্দিষ্ট তালিকা ধরে প্রতি ক্লিপে বিল করে। এখানকার একমাত্র গতির সংখ্যা আমাদের নিজেদের সময় মাপা দুটি Hailuo 02 ক্লিপ, আর যেসব ঘর আমরা মাপিনি সেগুলো অন্য কোথাও থেকে সংখ্যা ধার না করে তা-ই বলে।
HappyHorse 1.1-কে অন্যান্য ভিডিও মডেলের সঙ্গে তুলনা করুন — একই ওয়ার্কস্পেস, এক ক্লিকেই মডেল বদল।
| মডেল | happyhorse-1.1 — একটি তৃতীয় পক্ষের মডেল, আমাদের ভিডিও প্রোভাইডারের মাধ্যমে alibaba/happyhorse-1.1 এন্ডপয়েন্টে দেওয়া হয় |
|---|---|
| মোড | টেক্সট-টু-ভিডিও, ঠিক একটি প্রথম ফ্রেম থেকে ইমেজ-টু-ভিডিও, আর 1–9টি রেফারেন্স ছবিসহ রেফারেন্স-টু-ভিডিও |
| রেজোলিউশন | 720p এবং 1080p |
| সময়কাল | 3–15 সেকেন্ড, যেকোনো পূর্ণ সেকেন্ড (ডিফল্টে 5) |
| অ্যাসপেক্ট রেশিও | নয়টি — 16:9, 9:16, 1:1, 4:3, 3:4, 4:5, 5:4, 21:9 আর 9:21 — টেক্সট- আর রেফারেন্স-টু-ভিডিওর জন্য; ইমেজ-টু-ভিডিও রেফারেন্স ছবি অনুসরণ করে |
| রেফারেন্স ছবি | সর্বোচ্চ 9টি, প্রম্পটে ক্রম অনুযায়ী character1, character2 এভাবে উল্লেখ করা। কেবল ছবি — রেফারেন্স ভিডিও আর রেফারেন্স অডিও ইনপুট নয় |
| শব্দ | একই পাসে তৈরি নেটিভ অডিও আর লিপ-সিঙ্ক, সবসময় চালু — কোনো টগল নেই আর কোনো নীরব বিকল্প নেই |
| লিপ-সিঙ্কের ভাষা | ছয়টি, মডেলের নথি অনুযায়ী: ইংরেজি, ম্যান্ডারিন, জাপানি, কোরিয়ান, জার্মান আর ফরাসি। আমরা এখানে প্রতিটি পরীক্ষা করিনি |
| ক্রেডিট | আউটপুটের প্রতি সেকেন্ডে: 720p-তে 65 আর 1080p-তে 85 — টেক্সট-, ইমেজ- আর রেফারেন্স-টু-ভিডিওর জন্য একই হার |
| প্রতি ক্লিপে ক্রেডিটের পরিসর | 3 সেকেন্ডের একটি 720p ক্লিপে 195, 15 সেকেন্ডের একটি 1080p ক্লিপে সর্বোচ্চ 1,275 |
| পরিমাপ করা গতি | মাপা হয়নি — এই পাতার দুটি ক্লিপ এখানেই জেনারেট করা, তবে আমরা তাদের জেনারেশনের সময় রেকর্ড করিনি |
ফাঁকা prompt বক্স থেকে তৈরি ক্লিপ পর্যন্ত — তিন ধাপ।
মডেল পিকার খুলে HappyHorse 1.1 বেছে নিন। আপনি কিছু খরচ করার আগেই প্যানেল তার ক্রেডিট খরচ, রেজোলিউশন অপশন ও দৈর্ঘ্যের সীমা দেখিয়ে দেয়।
বিষয়, অ্যাকশন এবং ক্যামেরা কীভাবে চলবে তা লিখুন। ক্লিপটি কোনো নির্দিষ্ট ছবি থেকে শুরু করাতে চাইলে প্রথম ফ্রেম যুক্ত করুন।
ক্লিপটি ডাউনলোড করুন, লম্বা করুন, কিংবা আরও এডিটিংয়ে পাঠান। prompt, মডেল ও সেটিংস আপনার হিস্ট্রিতে এর সঙ্গেই থেকে যায়।
একটি অ্যাকাউন্ট, সম্পূর্ণ ইমেজ এবং ভিডিও জেনারেশন ওয়ার্কফ্লো।
ফ্রি প্ল্যানেই HappyHorse 1.1 চালান, অথবা প্রিমিয়াম মডেল, দ্রুততর জেনারেশন এবং 4K আউটপুটের জন্য আপগ্রেড করুন।
শুরু করার জন্য আদর্শ
বার্ষিক বিল করা হয় · $240/বছর
বার্ষিক বিল করা হয় · $468/বছর
এটি এক পাসেই ভিডিও ও সিঙ্ক করা অডিও তৈরি করে, সঙ্গে ছয়টি ভাষায় ফ্রেম-নিখুঁত লিপ-সিঙ্ক। স্বাধীন লিডারবোর্ডগুলো একে বর্তমানের সেরা ভিডিও মডেলগুলোর তালিকায় রাখে।
আউটপুটের প্রতি সেকেন্ড হিসেবে: রেট নির্ভর করে রেজোলিউশনের (720p বা 1080p) ওপর, আর টেক্সট-, ইমেজ- ও রেফারেন্স-টু-ভিডিওতে একই রেট প্রযোজ্য। প্রতিটি জেনারেশনের আগে সঠিক খরচ দেখা যায়, আর ব্যর্থ রান স্বয়ংক্রিয়ভাবে রিফান্ড হয়।
টেক্সট-টু-ভিডিও, ইমেজ-টু-ভিডিও (প্রথম ফ্রেম অ্যানিমেট করা) এবং রেফারেন্স-টু-ভিডিও — সর্বোচ্চ 9টি রেফারেন্স ছবি character1, character2 ইত্যাদি হিসেবে উল্লেখ করে।
প্রতি জেনারেশনে 3 থেকে 15 সেকেন্ড, 720p বা 1080p-তে, সবসময় নেটিভ অডিওসহ।
ইংরেজি, ম্যান্ডারিন চীনা, জাপানি, কোরিয়ান, জার্মান ও ফরাসি — প্রম্পটে সংলাপ লিখুন, ঠোঁটের নড়াচড়া সেটাই অনুসরণ করবে।
ব্যর্থ ভিডিও জেনারেশনের জন্য ক্রেডিট স্বয়ংক্রিয়ভাবে রিফান্ড হয়।
জেনারেশনের আশপাশের সব কাজের জন্য ওয়ান-ক্লিক টুল — ঘষামাজা, স্টাইল বদল, শেয়ার।
