Âm thanh không phải một tùy chọn trên HappyHorse 1.1: hình, tiếng và khớp môi cùng ra từ một lượt, nên một nhân vật biết nói sẽ đến với miệng đã khớp sẵn.
HappyHorse 1.1 là một mô hình video của bên thứ ba mà chúng tôi định tuyến tới qua điểm cuối alibaba/happyhorse-1.1 — chúng tôi không huấn luyện và cũng không tự vận hành nó. Thứ tách nó ra ở đây là âm thanh không phải tùy chọn: âm thanh và khớp môi được tạo trong cùng lượt với phần hình, nên một nhân vật biết nói sẽ đến với miệng đã khớp sẵn thay vì cần một bước lồng tiếng. Ba chế độ dùng chung một bảng điều khiển — text-to-video, image-to-video, và reference-to-video nhận từ một tới chín ảnh.
Hãy biết các giới hạn. Mức giá theo giây của nó cao hơn Wan 2.7 ở cả hai độ phân giải, nên hãy tìm cảnh quay ở chỗ nào rẻ hơn rồi dựng lại bản giữ ở đây. Âm thanh không tắt được, nên không có bản hình sạch nào để bạn tự lồng nhạc, và 1080p là trần. Con số khớp môi sáu ngôn ngữ là tuyên bố có tài liệu của chính mô hình — chúng tôi chưa thử nghiệm từng ngôn ngữ ở đây — và chúng tôi không bấm giờ các đoạn phim bên dưới, nên trang này không tuyên bố tốc độ nào cả.
Mô hình video xếp hạng hàng đầu của Alibaba tạo hình ảnh và âm thanh cùng lúc, với khớp khẩu hình chính xác đến từng khung hình trong sáu ngôn ngữ, vật lý chân thực và tối đa chín ảnh tham chiếu để giữ nhân vật nhất quán.
HappyHorse tạo nhạc nền và hình ảnh trong cùng một lần xử lý, nên lời thoại, không khí và hiệu ứng vốn đã khớp nhịp với những gì trên màn hình. Không có bước âm thanh riêng, không cần đồng bộ thủ công — clip hoàn thành là sẵn sàng đăng ngay.
Nhân vật nói chuyện khớp khẩu hình chuẩn xác trong tiếng Anh, tiếng Quan Thoại, tiếng Nhật, tiếng Hàn, tiếng Đức và tiếng Pháp. Viết lời thoại vào prompt và mô hình sẽ xử lý khẩu hình chính xác đến từng khung hình — lựa chọn tự nhiên cho video ngắn có lời dẫn và nội dung mạng xã hội đa ngôn ngữ.
Chế độ reference-to-video nhận tối đa chín ảnh được tham chiếu theo thứ tự là character1, character2, v.v. — giữ khuôn mặt, trang phục và đạo cụ nhất quán suốt clip mà không cần tinh chỉnh gì thêm.
Một trong những mô hình xếp hạng cao nhất trên các bảng xếp hạng video độc lập: vải kéo lê theo chuyển động, nước dạt ra khi vật chạm vào, và vật thể mang khối lượng đáng tin. Chọn 720p hoặc 1080p, 3-15 giây và chín tỷ lệ khung hình từ dọc 9:16 đến siêu rộng 21:9.
Được tạo tại đây ngày 15 tháng 8 năm 2026, ngay lần đầu, với đúng câu lệnh và thiết lập hiển thị. Mỗi clip kiểm chứng một trong các khả năng được nêu ở phần dưới trang này.
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.
Nó là mô hình trong nhóm này coi âm thanh là một phần của cảnh quay chứ không phải thứ thêm vào sau — và nó định giá theo đúng như vậy.
Lời thoại, khẩu hình và phần hình cùng ra từ một lượt, nên một người dẫn, một phát ngôn viên hay một nhân vật có lời thoại sẽ đáp xuống đã khớp sẵn. Không có gì phải căn khớp khi dựng, và không cần đặt riêng một bước thu giọng.
Reference-to-video nhận tối đa chín ảnh và bạn trích dẫn chúng trong prompt là character1, character2 và cứ thế. Từng đó ô là đủ cho một dàn diễn viên nhỏ cộng với các đạo cụ và trang phục phải giữ nguyên.
Chín tỷ lệ khung hình, gồm 4:5 và 5:4 cho các bài đăng trên feed cùng 21:9 và 9:21 ở hai cực, nên khung hình được quyết định ngay lúc tạo chứ không phải bằng cách cắt cúp một thứ vốn được bố cục cho hình dạng khác.
Âm thanh được tạo cùng phần hình mọi lần, nên thứ trả về đăng được luôn. Đó là một khoản tiết kiệm thời gian thật sự khi sản phẩm bàn giao là một video ngắn có giọng nói trong đó và hạn chót là hôm nay.
Mức giá theo giây của nó cao hơn Wan 2.7 ở cả hai độ phân giải, nên hãy chạy thử ở chỗ nào rẻ hơn rồi dựng lại bản giữ ở đây. Âm thanh không tắt được, nên không có bản hình sạch nào để bạn tự lồng nhạc, và 1080p là trần — một bản cuối 4K thuộc về Kling 3.0.
Cùng không gian làm việc, cùng kho tín dụng — chuyển giữa bất kỳ cái nào cũng chỉ một cú nhấp.
| HappyHorse 1.1 | Wan 2.7 | Hailuo 02 | Kling 3.0 | |
|---|---|---|---|---|
| Độ phân giải | 720p · 1080p | 720p · 1080p | 512p · 768p · 1080p | 720p · 1080p · 4K |
| Độ dài đoạn phim | 3–15s, bất kỳ số giây nguyên nào | 2–15s, bất kỳ số giây nguyên nào | 6 hoặc 10s — 1080p chỉ có 6s | 3–15s, bất kỳ số giây nguyên nào |
| Cách tính phí | Theo mỗi giây đầu ra | Theo mỗi giây đầu ra | Theo mỗi đoạn phim hoàn chỉnh, từ một bảng cố định năm mục | Theo mỗi giây đầu ra |
| Âm thanh | Âm thanh bản địa và khớp môi, luôn bật, không có nút chuyển | Bản địa, luôn bật, không có nút chuyển | Không có tham số âm thanh — đoạn phim trả về câm | Nút chuyển tùy chọn, mặc định tắt |
| Tín dụng mỗi giây, 720p | 65 | 40 | Không áp dụng — tính giá theo đoạn phim, và bậc gần nhất của nó là 768p | 45 câm · 60 kèm tiếng |
| Tín dụng mỗi giây, 1080p | 85 | 70 | Không áp dụng — tính giá theo đoạn phim | 60 câm · 85 kèm tiếng |
| Tín dụng mỗi giây, 4K | Không cung cấp | Không cung cấp | Không cung cấp | 200, đã bao gồm tiếng, không tính thêm phí |
| Tín dụng cho một đoạn phim 1080p dài 6 giây | 510 | 420 | 240 | 360 câm · 510 kèm tiếng |
| Tín dụng cho một đoạn phim, từ sàn tới trần | 195–1,275 | 80–1,050 | 40–240 | 135–3,000 |
| Image-to-video | Có, một khung hình đầu | Có, một khung hình đầu | Có, một khung hình đầu | Có, một khung hình đầu |
| Ảnh tham chiếu để giữ nhận dạng | Tối đa 9, được trích dẫn trong prompt là character1, character2 … | Tối đa 5, được trích dẫn trong prompt là Image 1, Image 2 … | Không có — không có chế độ reference-to-video | Không có — tấm ảnh duy nhất là khung hình đầu |
| Tỷ lệ khung hình | 9 — từ 9:21 cho tới 21:9 | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | Không có tham số tỷ lệ khung hình | 3 — 16:9, 9:16, 1:1 |
| Tốc độ chúng tôi tự đo | Chưa đo | Chưa đo | 94s và 86s cho hai đoạn phim 768p dài 6 giây (2 đoạn phim, tháng 8 năm 2026) | Chưa đo |
Mọi độ phân giải, độ dài đoạn phim và con số tín dụng trong bảng này được đọc từ registry mô hình của chính chúng tôi và các bảng giá trong mã nguồn của chúng tôi ngày 20 tháng 8 năm 2026 — chính những bảng dùng để tính tiền các lần tạo của bạn, không phải các trang tiếp thị của nhà cung cấp. HappyHorse 1.1, Wan 2.7 và Kling 3.0 tính phí theo giây, nên con số mỗi đoạn phim của chúng là mức giá nhân với độ dài bạn chọn; Hailuo 02 tính phí theo đoạn phim từ một bảng cố định. Các con số tốc độ duy nhất ở đây là hai đoạn phim Hailuo 02 chúng tôi tự bấm giờ, và mọi ô chúng tôi chưa đo đều ghi thẳng ra chứ không mượn con số từ nơi khác.
So sánh HappyHorse 1.1 với các mô hình video khác — cùng một không gian làm việc, chỉ một cú nhấp để chuyển đổi.
| Mô hình | happyhorse-1.1 — một mô hình của bên thứ ba được phục vụ trên điểm cuối alibaba/happyhorse-1.1 thông qua nhà cung cấp video của chúng tôi |
|---|---|
| Chế độ | Text-to-video, image-to-video từ đúng một khung hình đầu, và reference-to-video với 1–9 ảnh tham chiếu |
| Độ phân giải | 720p và 1080p |
| Thời lượng | 3–15 giây, bất kỳ số giây nguyên nào (mặc định là 5) |
| Tỷ lệ khung hình | Chín — 16:9, 9:16, 1:1, 4:3, 3:4, 4:5, 5:4, 21:9 và 9:21 — cho text-to-video và reference-to-video; image-to-video bám theo ảnh tham chiếu |
| Ảnh tham chiếu | Tối đa 9, được trích dẫn trong prompt theo thứ tự là character1, character2 và cứ thế. Chỉ ảnh — video tham chiếu và âm thanh tham chiếu không phải là đầu vào |
| Âm thanh | Âm thanh bản địa và khớp môi được tạo trong cùng một lượt, luôn bật — không có nút chuyển và không có tùy chọn câm |
| Ngôn ngữ khớp môi | Sáu, theo tài liệu của mô hình: tiếng Anh, tiếng Quan Thoại, tiếng Nhật, tiếng Hàn, tiếng Đức và tiếng Pháp. Chúng tôi chưa thử nghiệm từng ngôn ngữ ở đây |
| Tín dụng | Theo mỗi giây đầu ra: 65 ở 720p và 85 ở 1080p — cùng mức giá cho text-to-video, image-to-video và reference-to-video |
| Khoảng tín dụng mỗi đoạn phim | 195 cho một đoạn phim 720p dài 3 giây, lên tới 1.275 cho một đoạn phim 1080p dài 15 giây |
| Tốc độ đo thực tế | Chúng tôi không đo — hai đoạn phim trên trang này được tạo tại đây, nhưng chúng tôi không ghi lại thời gian tạo của chúng |
Ba bước từ ô prompt trống tới một clip hoàn chỉnh.
Mở bộ chọn mô hình và chọn HappyHorse 1.1. Bảng thông tin hiển thị mức credits, các tùy chọn độ phân giải và giới hạn thời lượng trước khi bạn tiêu bất kỳ credits nào.
Viết chủ thể, hành động và cách máy quay chuyển động. Đính kèm khung hình đầu nếu bạn muốn clip bắt đầu từ một bức ảnh cụ thể.
Tải clip về, kéo dài nó, hoặc đưa sang chỉnh sửa tiếp. Prompt, mô hình và thiết lập luôn đi kèm trong lịch sử của bạn.
Một tài khoản, trọn vẹn quy trình tạo ảnh và video.
Đưa bất kỳ ảnh tĩnh nào trở thành chuyển động, giọng nói và âm thanh trong vài giây.
Tạo các đoạn clip ngắn điện ảnh với âm thanh tích hợp sẵn từ prompt của bạn.
Mô tả ý tưởng của bạn: Ava chọn mô hình xếp hạng đấu trường, viết prompt và tạo.
Chạy HappyHorse 1.1 trên gói miễn phí, hoặc nâng cấp để có các mô hình cao cấp, tạo nhanh hơn và đầu ra 4K.
Hoàn hảo để bắt đầu
Thanh toán hằng năm · $240/năm
Thanh toán hằng năm · $468/năm
Nó tạo video và âm thanh đồng bộ trong một lần xử lý, với khớp khẩu hình chính xác đến từng khung hình trong sáu ngôn ngữ. Các bảng xếp hạng độc lập xếp nó vào nhóm mô hình video hàng đầu hiện có.
Tính theo mỗi giây video đầu ra: mức giá phụ thuộc độ phân giải (720p hoặc 1080p), và cùng một mức giá áp dụng cho text-, image- và reference-to-video. Chi phí chính xác hiển thị trước mỗi lần tạo, và các lượt tạo thất bại được tự động hoàn credit.
Text-to-video, image-to-video (làm chuyển động khung hình đầu tiên) và reference-to-video với tối đa 9 ảnh tham chiếu được gọi là character1, character2, v.v.
3 đến 15 giây mỗi lần tạo, ở 720p hoặc 1080p, luôn kèm âm thanh gốc.
Tiếng Anh, tiếng Quan Thoại, tiếng Nhật, tiếng Hàn, tiếng Đức và tiếng Pháp — viết lời thoại vào prompt và khẩu hình sẽ khớp theo.
Tín dụng được hoàn lại tự động cho các lần tạo video thất bại.
Công cụ một chạm cho mọi việc quanh khâu tạo — chỉnh sửa, đổi phong cách, chia sẻ.
