Experimenta HappyHorse 1.0 de Alibaba en Cuty.ai — el modelo de video con IA #1 en el Artificial Analysis Video Arena. Genera video nativo en 1080p con audio sincronizado en una sola pasada hacia adelante, sincronización labial nativa en siete idiomas y calidad cinematográfica a partir de prompts de texto o imagen. ¡Pruébalo gratis!
Descubre qué hace HappyHorse 1.0 excepcional
HappyHorse 1.0 está construido sobre un Transformer unificado de flujo único de 40 capas que elimina ruido de los tokens de texto, imagen, video y audio juntos en una sola secuencia — sin un modelo de Foley separado, sin pasada de postprocesamiento. La voz, los pasos y el sonido ambiente surgen del mismo paso que las imágenes, por lo que el diálogo y la acción en pantalla se alinean a nivel de fonema.
Sincronización labial a nivel de fonema disponible de forma nativa para inglés, mandarín, cantonés, japonés, coreano, alemán y francés. Las formas de la boca se producen dentro del mismo paso de eliminación de ruido que el resto del fotograma — no se añaden mediante un postajustador de la región facial — convirtiendo a HappyHorse 1.0 en uno de los pocos modelos de video de primer nivel con diálogo multilingüe listo para producción desde su lanzamiento.
Verdadera generación 1080p — no escalada — en 16:9, 9:16, 1:1, 4:3 y 3:4, de modo que la misma escena queda compuesta correctamente para entrega cinematográfica, vertical, cuadrada y de retrato. Duraciones de clip de 3 a 15 segundos, con aproximadamente 38 segundos de inferencia por clip de 5 segundos en 1080p en una sola NVIDIA H100 gracias a una ruta de eliminación de ruido destilada DMD-2 de 8 pasos.
HappyHorse 1.0 alcanzó el #1 tanto en Texto a Video (Elo 1333) como en Imagen a Video (Elo 1392) en el Artificial Analysis Video Arena — un benchmark ciego de preferencia humana — pocos días después de su debut anónimo el 7 de abril de 2026. La diferencia de 60 puntos Elo en T2V respecto al líder anterior es el mayor salto de un solo lanzamiento en el ranking desde su lanzamiento.
Todo lo que necesitas saber sobre HappyHorse 1.0
HappyHorse 1.0 es el primer modelo de video con IA del Future Life Lab del Grupo Taotian de Alibaba — un Transformer unificado de 15 mil millones de parámetros que genera video y audio sincronizado a partir de prompts de texto o imagen en 1080p nativo. Tras debutar de forma anónima en el Artificial Analysis Video Arena alrededor del 7 de abril de 2026 y tomar de inmediato el #1 tanto en Texto a Video como en Imagen a Video, Alibaba reivindicó públicamente la autoría el 10 de abril de 2026.
HappyHorse 1.0 fue construido dentro del Future Life Lab del Grupo Taotian de Alibaba, parte de la unidad de innovación de IA ATH (Alibaba Token Hub). El líder técnico es Zhang Di — un veterano con quince años de experiencia que se desempeñó como Vicepresidente en Kuaishou y fue el arquitecto técnico de Kling AI antes de regresar a Alibaba a finales de 2025 para dirigir el laboratorio.
A diferencia de la mayoría de los modelos de video que añaden el audio como un paso posterior separado, HappyHorse 1.0 coloca los tokens de texto, imagen, video y audio en una única secuencia de tokens y los elimina de ruido juntos en un Transformer unificado de flujo único de 40 capas. La voz, los efectos de sonido y el audio ambiente se sincronizan naturalmente con las imágenes porque se producen en la misma pasada hacia adelante.
HappyHorse 1.0 ofrece sincronización labial nativa en siete idiomas: inglés, mandarín, cantonés, japonés, coreano, alemán y francés. Las formas de la boca se alinean a fonemas en el mismo paso de eliminación de ruido que el resto del fotograma. Otros idiomas siguen produciendo movimiento bucal razonable, pero la precisión a nivel de fonema es inferior al conjunto soportado.
HappyHorse 1.0 genera video 1080p nativo (con 720p disponible) en duraciones de clip de 3 a 15 segundos. Las relaciones de aspecto incluyen 16:9, 9:16, 1:1, 4:3 y 3:4 — cubriendo formato cinematográfico panorámico, vertical móvil, cuadrado para redes y retrato. La canalización de destilación DMD-2 de 8 pasos requiere alrededor de 38 segundos por clip de 5 segundos en 1080p en una sola NVIDIA H100.
HappyHorse 1.0 ocupa el #1 tanto en Texto a Video como en Imagen a Video en el Artificial Analysis Video Arena, por delante de Kling, Veo y Seedance bajo voto ciego de preferencia humana. También es único entre los modelos de primer nivel por generar conjuntamente video y audio en una sola pasada hacia adelante, sincronización labial nativa en siete idiomas y salida cinematográfica nativa en 1080p. Con audio activado, HappyHorse 1.0 actualmente ocupa el #2 por un pequeño margen.
Puedes probar HappyHorse 1.0 en Cuty.ai con nuestros créditos de prueba gratuitos — tanto texto a video como imagen a video están disponibles en el estudio. Para uso intensivo y acceso a todas las funciones premium, incluyendo clips más largos y el modo Pro para tomas hero y contenido con mucho diálogo, ofrecemos varios planes de suscripción.
¡Comienza a generar contenido increíble con nuestros potentes modelos de IA. Pruébalo gratis hoy!
