目次
Happy Horse AI動画生成モデル(HappyHorseとも表記)は、Alibaba Token Hub (ATH)内のFuture Life Labチームが開発したAI動画モデルのファミリーです。現在のバージョン1.0と1.1では、テキストプロンプト、最初のフレームとなる画像、または最大9枚の参照画像から、音声を伴う3~15秒、24 fps、最大1080pのMP4動画を生成します。
AI Studioでは、Happy Horse動画生成ツールを開き、ブラウザですぐにHappy Horse 1.0の動画を生成できます。AI StudioはAlibabaと提携していない独立したウェブサイトで、複数のAI動画・画像モデルをクレジット制で提供しており、現在Happy Horse 1.0(1.1ではありません)を利用できます。
Happy Horse AIとは何ですか?誰が作りましたか?
Happy Horse AIは、AlibabaのAIイノベーション部門であるAlibaba Token Hub (ATH)内のFuture Life Labチームが作成した、クローズドソースの動画・音声生成モデルのファミリーです。
このモデルが初めて注目を集めたのは2026年4月7日頃、HappyHorse-1.0がArtificial Analysis Video Arenaに匿名で登場したときです。ブラインド投票のランキングでは、音声なしのテキストからの動画生成と画像からの動画生成の両部門で1位に上りました。2026年4月10日、Alibabaはこの匿名モデルが社内プロジェクトであるとCNBCに認めました。
Happy Horse 1.0の一般向けAPIアクセスは2026年4月下旬に始まり、falはAlibaba Cloud Model Studioと並んで2026年4月27日から利用可能と掲載しました。その約2か月後の2026年6月22~23日、Alibabaは一貫性、動き、アスペクト比を改善し、1080pの料金を引き下げたHappy Horse 1.1をリリースしました。
内部の仕組みについて、チームはHappy Horseが約150億のパラメータを持つ統合型40層の自己注意Transformerを使用し、動画と音声を1回の処理で同時に生成すると説明しています。ただし、これらのアーキテクチャ仕様はチームによる報告であり、独立した検証はされていません。
ローカルで実行するためにダウンロード可能な重みを探している場合は注意してください。Happy Horseは完全にクローズドソースです。公開された重みはなく、falはモデルがオープンソースにもライセンス提供の対象にもならないと明言しています。「オープンソースのHappy Horse」のダウンロードやローカルインストーラーを提供すると称するウェブサイトは本物ではありません。また、無関係な同名サービスにも注意してください。「Happy Horse 2」(happyhorse2.video)はAlibabaのモデルを実行しない独立したウェブサイトです。
Happy Horse AI動画生成ツールで何ができますか?
Happy Horse AI動画生成ツールは、テキストプロンプト、開始フレーム、または最大9枚の参照画像から、音声が同期した3~15秒、24 fpsのMP4動画を作成します。
各APIエンドポイントでは、中国語以外で最大5,000文字(中国語では2,500文字、それを超えるテキストは切り捨て)までのプロンプトを受け付け、動画の長さは初期設定で5秒です。各生成モードの仕組みを紹介します。
テキストから動画を生成
テキストからの動画生成では、入力したプロンプトだけを使ってシーンを一から作ります。長さ(3~15秒の任意の整数)、解像度(720pまたは1080p、Alibaba Cloudの1.1では480pも選択可能)、アスペクト比を選びます。1つの連続した動作を書くことも、時間指定の複数ショットの指示に分けて、1つの動画内でカメラアングルを切り替えることもできます。
画像から動画を生成
画像からの動画生成では、開始画像1枚を動かして3~15秒の動画にします。入力画像が最初のフレームとなり、出力動画はアップロードした画像のアスペクト比に自動的に従います。きれいな結果を得るには、最初のフレームの画像は各辺が300ピクセル以上で、アスペクト比が1:2.5~2.5:1である必要があります。
最大9枚の画像を参照して動画を生成
参照画像からの動画生成では、1~9枚の参照画像をアップロードし、新しく生成するシーン内で人物、物体、背景の一貫性を保てます。開始フレームを動かすだけでなく、アップロードした画像から被写体を抽出し、選択したショットとアスペクト比に配置します。
Happy Horse 1.0では順番が重要です。プロンプトでは、アップロードした画像を正確な順番でcharacter1、character2、character3などと指定する必要があり、最初の画像がcharacter1になります。これらの明示的なラベルを省くと、モデルが人物を取り違えることがあります。参照ファイルはJPEG、PNG、WEBPのいずれかで短辺が400ピクセル以上必要です。目標の動画のアスペクト比に近い比率で、720p以上の鮮明な画像が最適です。
ネイティブ音声とリップシンク
無音の動画を出力したり、別の後処理で効果音を加えたりする動画モデルとは異なり、Happy Horseは映像と同じ処理で音声を生成します。シーンを説明すると、それに合った環境音、効果音、セリフを自動的に生成します。プロンプト内でセリフを引用符で囲むと、人物の口の動きに合わせた多言語のリップシンクを生成します。
動画編集(API限定、1.0のみ)
APIでは、Happy Horse 1.0に既存の動画内の要素のスタイル変更や置き換えを目的とした専用の動画編集エンドポイント(happyhorse-1.0-video-edit)もあります。このモードは1.1向けに更新されておらず、引き続き1.0専用のAPIエンドポイントです。AI Studioでは動画編集モードを提供していません。
Happy Horse 1.0と1.1の比較:何が変わりましたか?
Happy Horse 1.1は1.0と比べて、複数の参照画像間での人物や製品の一貫性を高め、速いアクションを滑らかにし、プロンプトへの忠実さと音声・動画の同期を改善し、新たに4種類のアスペクト比を追加し、1080p生成の料金を引き下げています。
APIプロバイダーとAI Studioにおける2つのバージョンを比較します。
| 機能 | Happy Horse 1.0 | Happy Horse 1.1 |
|---|---|---|
| リリース日 | 2026年4月(Arenaは4月7日頃、APIは4月下旬) | 2026年6月22~23日 |
| モード | テキストから動画、画像から動画、参照画像から動画(1~9枚)、動画編集 | テキストから動画、画像から動画、参照画像から動画(1~9枚) |
| アスペクト比 | 5種類:16:9、9:16、1:1、4:3、3:4(画像からの動画は入力に従う) | 9種類:21:9、9:21、5:4、4:5を追加(画像からの動画は入力に従う) |
| 解像度 | 720p、1080p | 720p、1080p(Alibaba Cloudでは480pも) |
| fal API料金(720p) | 1秒あたり$0.14 | 1秒あたり$0.14 |
| fal API料金(1080p) | 1秒あたり$0.28 | 1秒あたり$0.18 |
| ネイティブ音声 | あり(音声と動画を同時処理、リップシンク付き) | あり(音声と動画の同期を改善) |
| AI Studioでの提供 | あり | まだなし |
Happy Horse 1.0は、日常的な動画に引き続き妥当な選択肢です。falでは720pの料金が1.1と同じで、5種類のアスペクト比が横長、縦長、正方形をカバーし、3~15秒の長さ、ネイティブ音声、最大9枚の参照画像も変わりません。超ワイドな21:9の画角や、より安い1080p料金が不要なら、1.0で短いSNS動画や製品動画の大半に対応でき、AI Studioのブラウザで使えるのもこのバージョンです。
Happy Horse 2.0はありますか?
2026年11月13日時点で、Happy Horse 2.0のリリース、モデルID、料金はありません。
2026年9月上旬のヴェネツィア国際映画祭のパネルで、Alibaba Token HubはHappy Horse 2.0と「HappyHorse Control」という関連ツールを9月末に予定していると述べましたが、そのリリースは予定どおりには行われませんでした。その後、2026年9月のカンファレンスでAlibabaは次世代動画モデルが11月に登場すると述べました。実際のモデルIDとエンドポイントが公開されるまでは、オンライン上に出回る「Happy Horse 2.0」の仕様表は未確認情報として扱ってください。
Happy Horseの料金はいくらですか?
Happy Horseの料金は生成動画の秒数に応じて計算され、開発者向けAPIでは1秒あたり$0.14~$0.28、AI Studioでは1秒あたり10~18クレジットです。
クラウドAPIに直接接続する場合、正確な秒単価はプロバイダーと地域によって異なります。2026年中盤から後半の掲載料金は次のとおりです。
- fal(Happy Horse 1.0): 720pは1秒あたり$0.14、1080pは1秒あたり$0.28です。
- fal(Happy Horse 1.1): 720pは1秒あたり$0.14、1080pは1秒あたり$0.18です。例えば、10秒の1080p動画は1.0で$2.80、1.1で$1.80です。
- Alibaba Cloud Model Studio(
happyhorse-1.0の国際デプロイの定価): 720pは1秒あたり$0.14、1080pは1秒あたり$0.24です。
APIキーを設定せずブラウザで生成したい場合、AI Studioではシンプルな秒単位のクレジット計算でHappy Horse 1.0を利用できます。合計料金は秒単価に秒数を掛け、切り上げた値です。
| 解像度 | 1秒あたり | 5秒(初期設定) | 10秒 | 15秒(最大) |
|---|---|---|---|---|
| 720p | 10クレジット | 50クレジット | 100クレジット | 150クレジット |
| 1080p | 18クレジット | 90クレジット | 180クレジット | 270クレジット |
720pで最短の3秒動画には30クレジットが必要です。AI Studioの新規アカウントには新規登録時に4トライアルクレジットが付与され、画面を見て回れますが、Happy Horseで生成するにはさらにクレジットが必要です。AI Studioでは、生成をクリックする前に、選んだ長さと解像度に対する正確なクレジット数が表示されます。
AI StudioでHappy Horse動画を作る方法
AI Studioでは、コードやクラウド課金を管理することなく、ブラウザ上で7つの簡単なステップでHappy Horse動画を作れます。
- 生成ツールを開く: AI StudioのHappy Horse専用ページにアクセスするか、メインのAI動画生成ツールを開き、モデル選択欄から Happy Horse 1.0 を選びます(サイトではSeedance、Kling、Gemini Omni、MiniMax H3、Grok Imagineなどのブラウザで使えるモデルも選べます)。
- 生成モードを選ぶ: 何もない状態、最初のフレーム、人物の参照画像のどれから始めるかに応じて、 Text to Video (テキストから動画)、 Image to Video (画像から動画)、 Reference to Video (参照画像から動画)を選びます。
- 必要に応じて画像をアップロードする:
- Image to Video では、開始フレームとなる画像を1枚アップロードします(各辺300 px以上、比率1:2.5~2.5:1)。
- Reference to Video では、参照する予定の順番どおりに、鮮明なJPEG、PNG、WEBP画像を1~9枚アップロードします(短辺400 px以上、720p以上を推奨)。
- プロンプトを書く: シーンの説明、カメラの動き、セリフや効果音を入力します(中国語以外は最大5,000文字、中国語は最大2,500文字)。Reference to Videoを使う場合は、アップロードした被写体に順番に
character1、character2などのラベルを付けます。 - 長さ、解像度、アスペクト比を設定する:
- 3~15秒 の整数秒から長さを選びます(初期設定は5秒)。
- 720p (初期設定)または 1080p を選びます。
- Text to VideoとReference to Videoでは、アスペクト比を 16:9 (初期設定)、 9:16、 1:1、 4:3、 3:4 から選びます。Image to Videoモードでは、出力がアップロード画像の寸法に自動的に合うため、アスペクト比の設定は表示されません。
- クレジット数を確認する: 送信前に表示されたクレジット数を確認します。例えば、5秒の720p動画は50クレジット、5秒の1080p動画は90クレジットです。
- 生成してダウンロードする: 生成をクリックし、音声と動画を1回の処理でレンダリングするまで待って、MP4動画をダウンロードします。
AI StudioのHappy Horseで提供していない機能
クレジットを購入する前に確認できるよう、現在AI StudioのHappy Horseで対応していない機能を紹介します。
- Happy Horse 1.1: AI Studioでは1.0のみを利用できるため、1.1とその追加の4種類のアスペクト比(21:9、9:21、5:4、4:5)はまだ利用できません。
- 動画編集モード: 既存の動画をアップロードしてスタイルを変更したり、物体を置き換えたりすることはできません(
happyhorse-1.0-video-editはAPI限定です)。 - 480p解像度: 提供されるのは720pと1080pのみです。
- シード値の制御と透かしの切り替え: カスタムシード値と透かしの切り替えは画面上で利用できません。
- 動画や音声ファイルの入力: 入力できるのはテキストと静止画像のみです(生成を制御する音声トラックや入力動画ファイルは使えません)。
- 範囲外の長さ: 3秒未満または15秒を超える動画には対応していません。
Happy Horseのプロンプトのコツ
Happy Horse AI動画生成ツールでは、構造化されたプロンプトを書くことで、複数ショットの切り替え、参照画像の追跡、ネイティブ音声エンジンを十分に活用できます。
- シーン+被写体+動き+音声の構成に従う: EvoLinkのHappy Horseドキュメントでは、プロンプトを4つの明確な部分に整理することを推奨しています。まず環境と照明を設定し、画面内の人物や物体を説明し、被写体とカメラの動きを指定して、最後に背景の環境音、効果音、セリフを記述します。
- 複数カットの動画ではショットごとに時間範囲を指定する: Happy Horseは最大15秒の動画に対応するため、1つの固定ショットでは間延びして感じられることがあります。
Shot 1 [0~3s] wide angle: ...; Shot 2 [3~6s] medium shot: ...のように明確な時間範囲とショットの大きさを書くことで、1回の生成内でカメラの切り替えを指示し、いつアングルを変えるかをモデルに正確に伝えられます。 - 参照画像に
character1、character2と順番にラベルを付ける: 参照画像からの動画生成モードでは、「赤いジャケットの女性」のような曖昧な説明だけに頼らないでください。アップロードした各ファイルを必ずそのスロット番号(最初の画像はcharacter1、2枚目はcharacter2)に結び付け、画像の比率を目標の出力比率に近づけます。 - 画像からの動画生成では画像を説明し直すより動きを説明する: モデルは最初のフレームの色、服装、配置をすでに認識できます。プロンプトでは、被写体の向きの変化、風による背景の動き、カメラの移動方向、再生される音など、最初のフレーム以降に何が変わるかを説明します。
- セリフは動画の長さに収まるよう短くする: ネイティブリップシンクは、ショットの時間内に自然に話せるセリフで最も効果を発揮します。3秒のショットには短い1文しか入りませんが、10秒の動画なら口の動きを急がせずに短いセリフを2つ交わせます。
時間指定のショット切り替えとネイティブ音声を使った テキストから動画を生成するプロンプト の例です。
Shot 1 [0~4s] wide angle: A rainy neon-lit noodle stall in Tokyo at night, steam rising from a large copper pot. A chef in a dark apron ladles broth into a ceramic bowl as rain taps against the canvas awning.
Shot 2 [4~8s] medium close-up: The camera pushes in gently as the chef sets the bowl on the wooden counter, looks at the camera with a warm smile, and says in English, "Careful, the broth is right off the stove." Audio: steady rain on canvas, bubbling soup, soft ceramic clink on wood, and clear spoken voice.
こちらはアップロードした2枚の人物画像を使う 参照画像から動画を生成するプロンプト の例です。
Shot 1 [0~5s] medium two-shot: Inside a sunlit brutalist concrete art gallery, character1 and character2 stand side by side looking at a tall abstract brass sculpture. character1 gestures toward the top of the sculpture and says, "The balance on that upper piece looks impossible."
Shot 2 [5~10s] over-the-shoulder shot: Focusing on character2 nodding thoughtfully while taking a slow step closer to inspect the metalwork, camera tracking slightly right. Audio: quiet museum room tone, soft footsteps on polished concrete, and natural indoor dialogue with subtle echo.
1枚のイラストを同期した効果音とともに動かしたい場合も、参照写真を使って15秒の複数ショットの会話シーンを演出したい場合も、Happy Horse 1.0なら動画と音声を1ステップで生成できます。プロンプトの構成を選び、参照画像があれば順番に並べて、AI Studioのブラウザで最初の動画を生成してみましょう。
参考資料
よくある質問
Happy Horse AIを作ったのは誰ですか?
Happy Horse(HappyHorseとも表記)はAlibabaのAI動画生成モデルのファミリーです。AlibabaのAIイノベーション部門であるAlibaba Token Hub (ATH)内のFuture Life Labチームが開発しました。2026年4月7日頃にArtificial Analysis Video Arenaで匿名デビューした後、Alibabaは2026年4月10日にHappy Horseが自社のプロジェクトであると認めました。
Happy Horse 1.0と1.1の違いは何ですか?
Happy Horse 1.1は2026年6月22~23日にリリースされ、複数の参照画像における人物や製品の一貫性、アクションの滑らかさ、プロンプトへの忠実さ、音声と動画の同期が改善されました。また、アスペクト比が4種類(21:9、9:21、5:4、4:5)追加されて合計9種類になり、Alibaba Cloudでは480pが追加され、1080pのAPI料金が引き下げられました。ただし、動画編集は引き続き1.0専用のエンドポイントです。
Happy Horseはオープンソースですか?
いいえ、Happy Horseはクローズドソースで、モデルの重みも公開されていません。falによると、このモデルはオープンソースにもライセンス提供の対象にもなりません。ダウンロード可能なオープンソースのHappy Horseの重みを提供すると称するウェブサイトやリポジトリは本物ではありません。このモデルにはAlibaba Cloud Model StudioやfalなどのクラウドAPI、またはAI Studioなどのブラウザプラットフォームを通じてのみアクセスできます。
Happy Horseの料金はいくらですか?
API料金は出力動画の秒数に応じて課金され、プロバイダーや地域によって異なります。falではHappy Horse 1.0は720pで1秒あたり$0.14、1080pで1秒あたり$0.28ですが、1.1では1080pが1秒あたり$0.18に下がります。AI StudioではHappy Horse 1.0は720pで1秒あたり10クレジット、1080pで1秒あたり18クレジットです。
Happy Horse 2.0はありますか?
2026年11月13日時点で、Happy Horse 2.0のモデルID、料金、リリースはありません。Alibaba Token Hubは2026年9月上旬のヴェネツィア国際映画祭のパネルで、2.0とHappyHorse Controlというツールを9月下旬に予定していると述べ、Alibabaも次世代動画モデルを11月に提供すると約束しましたが、予告にとどまり、リリースされませんでした。
アイデアを動画に
動画生成ツールを開いて、制作を始めましょう。
動画を生成


