Что такое HappyHorse 1.0? Open-source ИИ-модель видеогенерации Alibaba #1 — объяснение

HappyHorse 1.0 — первая ИИ-модель видеогенерации от Taotian Future Life Lab компании Alibaba: унифицированный Transformer на 15 миллиардов параметров, который совместно генерирует видео и синхронизированное аудио из текстовых или изображенческих запросов в нативном 1080p. После появления на Artificial Analysis Video Arena в качестве «таинственной модели» около 7 апреля 2026 года и немедленного занятия #1 как в Text-to-Video, так и в Image-to-Video по слепому голосованию людей, команда раскрыла личность модели 9 апреля и в тот же день выложила веса в open source на GitHub.

Главная история — это не более быстрый Kling и не более дешёвый Sora. Это единая архитектурная перестройка, которая помещает видео и аудио в одну токенную последовательность, использует 8-шаговый дистиллированный путь шумоподавления без classifier-free guidance и поставляется под коммерчески дружественной open-source лицензией с полными правами на самостоятельный хостинг — комбинация, которой сегодня не предлагает ни одна другая топовая видеомодель.

HappyHorse 1.0 следовала необычно публичному графику релиза. Модель впервые появилась на Artificial Analysis Video Arena около 7 апреля 2026 года без указания разработчика, что породило онлайн-спекуляции о том, является ли командой Tencent, Alibaba или независимая лаборатория. 9 апреля недавно созданный аккаунт команды в X подтвердил, что модель — это проект ATH AI Innovation Unit компании Alibaba, и Alibaba подтвердила публикацию для CNBC в тот же день. Гонконгские акции Alibaba закрылись с ростом на 2,12% на этой новости.

Веса были опубликованы на GitHub 9 апреля без коммерческих ограничений. Зеркала на Hugging Face и официальный сайт модели Happy Horse последовали вскоре после. 27 апреля fal запустилась как официальный API-партнёр, предоставив четыре эндпоинта — text-to-video, image-to-video, reference-to-video и video-edit — через свой облачный сервис генеративных медиа.

HappyHorse 1.0 вышла из Future Life Lab внутри Taotian Future Life Lab компании Alibaba — подразделения, основанного в марте 2026 года под руководством CEO Eddie Wu (Wu Yongming) для консолидации прикладных ИИ-разработок Alibaba и ускорения пути от исследований к продукту. Модель — первый крупный публичный релиз лаборатории.

Технический руководитель — Zhang Di, ветеран отрасли с пятнадцатилетним стажем, который занимал пост вице-президента Kuaishou и был техническим архитектором Kling AI до перехода в Alibaba в ноябре 2025 года. Примерно за пять месяцев после его прихода команда Zhang выпустила HappyHorse 1.0 — а в течение недели после анонимного дебюта она превзошла все остальные публичные видеомодели на рейтингах Artificial Analysis, включая семейство, которое он ранее возглавлял у предыдущего работодателя.

HappyHorse 1.0 поставляется с набором возможностей, отличающих её от любой другой текущей топовой видеомодели. Ниже — разбор того, что делает её категориально иной по сравнению с Sora, Kling, Veo, Seedance и остальной частью закрытого поля.

HappyHorse 1.0 генерирует видео и аудио за один прямой проход. Нет отдельной аудио-модели, нет постпроцесса Foley и нет cross-attention моста между двумя пайплайнами. Текстовые, изображенческие, видео- и аудио-токены лежат в одной унифицированной токенной последовательности и шумоподавляются вместе одним и тем же 40-слойным Transformer.

Практическое следствие — синхронизация. Lip-sync к произнесённому диалогу, шаги в такт идущему субъекту и окружающий звук, соответствующий обстановке, — всё это естественно возникает на этапе совместного шумоподавления, а не на этапе сшивки. Lip-sync поддерживается нативно для семи языков: английского, мандаринского, кантонского, японского, корейского, немецкого и французского.

Ядро архитектуры — унифицированный Transformer self-attention на 15 миллиардов параметров, расположенный в виде сэндвича. Первые четыре и последние четыре слоя обрабатывают модально-специфичные проекции — кодирование текста, токенизацию изображений и видео и декодирование аудио. Средние 32 слоя совместно используют параметры между всеми модальностями, обрабатывая их в одном общем потоке токенов без cross-attention модулей.

Механизм sigmoid-гейтинга по головам добавляет обучаемые скалярные гейты к каждой attention-голове. Эти гейты выборочно гасят разрушительные градиенты между модальностями и стабилизируют совместное мультимодальное обучение — задача, которая исторически вынуждала другие команды переходить на многопотоковые архитектуры с отдельными ветвями для видео и аудио.

HappyHorse 1.0 поставляется с DMD-2 (Distribution Matching Distillation v2) студентом, который сжимает цикл шумоподавления с 50+ шагов до 8 без classifier-free guidance. В результате модели не нужна отдельная регулировка масштаба guidance во время инференса, и она не платит за дополнительные прямые проходы, требуемые CFG.

В сочетании со слоем ускорения MagiCompiler команды математика инференса даёт примерно две секунды для 5-секундного превью в 256p и примерно 38 секунд для 5-секундного клипа в 1080p на одном NVIDIA H100. Для команд развёртывания архитектурная форма — меньше шагов шумоподавления, без CFG, единый поток токенов — указывает на пайплайн, спроектированный для быстрого инференса на серьёзных ускорителях, а не для бесконечного настольного экспериментирования.

Sora, Veo, Kling и Seedance — закрытые сервисы только-через-API: вы платите за минуту, не можете самостоятельно хостить или инспектировать модель, и ваши запросы и результаты проходят через сторонний сервер. HappyHorse 1.0 выпущена как открытые веса — скачайте один раз, запускайте всегда на собственной инфраструктуре без платы за клип.

Публичный релиз 9 апреля 2026 года включает права на коммерческое использование, базовую модель, дистиллированного 8-шагового студента, модуль super-resolution и код инференса — всё спроектировано для самостоятельного хостинга и тонкой настройки. Эталонный репозиторий на GitHub предоставляет точку входа `from_pretrained` и скрипт загрузки, который получает веса из официального хаба моделей Happy Horse на Hugging Face.

Большинство нынешних топовых видеомоделей с поддержкой аудио либо генерируют только музыку и атмосферу, либо поддерживают lip-sync исключительно на английском. HappyHorse 1.0 поставляется с нативной поддержкой lip-sync для английского, мандаринского, кантонского, японского, корейского, немецкого и французского. Формы рта выровнены по фонемам внутри того же шага шумоподавления, который генерирует остальной визуальный кадр, а не дополняются моделью анимации области лица постфактум.

Для команд, выпускающих локализованную рекламу, диалоги персонажей или образовательный контент, это сводит три ранее раздельных шага — генерацию озвучки, отслеживание области губ и повторный рендеринг — в один API-вызов.

Инференс HappyHorse 1.0 предоставляется в двух уровнях качества на большинстве хостинг-эндпоинтов. Std (стандартный) использует дистиллированного 8-шагового студента и установлен по умолчанию для быстрых итераций. Pro использует расширенный график шумоподавления, восстанавливающий дополнительную тонкую детализацию, стабильность движения и точность lip-sync — за счёт более высокой задержки и потребления кредитов.

Раскрывающий пост и последующее освещение позиционируют HappyHorse 1.0 явно как производственный инструмент с кинематографическим качеством вывода, а не как только-творческое демо. Пять категорий чаще всего встречаются в первой волне работ, опубликованных сообществом:

На Artificial Analysis Video Arena HappyHorse 1.0 находится на #1 как в Text-to-Video (без аудио) с Elo 1333, так и в Image-to-Video (без аудио) с Elo 1392 по состоянию на начало апреля 2026 года. Предыдущим #1 в Text-to-Video была Dreamina Seedance 2.0 с Elo 1273 — разрыв в 60 пунктов, самый большой скачок одного релиза в лидерборде с момента запуска арены. С аудио HappyHorse 1.0 в настоящее время занимает #2 как в Text-to-Video, так и в Image-to-Video, уступая моделям, ориентированным на аудио-первую генерацию.

Стратегическая история имеет такое же значение, как и счёт лидерборда. OpenAI закрыла приложение Sora в начале 2026 года, чтобы переориентироваться на программирование и AGI; ByteDance приостановила развёртывание Seedance 2.0 под давлением голливудских споров об авторском праве. HappyHorse 1.0 вошла в этот пробел как первая топ-ранкируемая модель в категории, поставляемая с открытыми весами и полными правами на коммерческое использование.

Open-source релиз поставляется под лицензией с разрешённым коммерческим использованием, которая допускает редистрибуцию, тонкую настройку и интеграцию в коммерческие продукты без роялти за клип. Сгенерированные результаты с официальных эндпоинтов несут стандартные метаданные происхождения, идентифицирующие их как сгенерированные ИИ. Для самостоятельно хостируемых развёртываний встраивание происхождения в конечные результаты — ответственность оператора.

Публичное руководство команды консервативно: не используйте HappyHorse 1.0 для имитации реальных лиц, не обходите правила раскрытия информации о синтетических медиа на уровне платформы и не повторно публикуйте кадры с защищённым авторским правом источником как входные данные image-to-video без прав на это. Хостинговые партнёры вроде fal накладывают свои собственные политики модерации поверх открытых весов.

HappyHorse 1.0 — это категориальный шаг для open-source видеогенерации. Это не более быстрый Kling и не более дешёвый Sora — это модель, которая помещает видео и аудио в единый поток токенов, шумоподавляет оба за восемь шагов без CFG и поставляется под лицензией, позволяющей командам самостоятельно хостить её на своих H100 с полными коммерческими правами.

Для производственных команд прорывные возможности: совместное аудио + видео за один прямой проход, нативный lip-sync на семи языках, кинематографический вывод 1080p примерно за 38 секунд на 5-секундный клип на H100 и архитектура, прозрачная достаточно для тонкой настройки под внутренний стиль. Для исследователей открытые веса служат эталонной реализацией для совместной аудио-видео диффузии, DMD-2 дистилляции, унифицированных мультимодальных Transformer и шумоподавления без временны́х шагов — стек, необычно чистый по нынешним стандартам публичных моделей.