步驟 01
先決定你要從文字、一張圖，還是一組角色圖開始
純文字就走文生影片，直接寫一段文字指令；手上有商品圖或想好的首幀畫面就走 HappyHorse 圖生影片，恰好放 1 張圖，長短邊都要 300px 以上；要讓同一個角色跨鏡頭不變樣就走參考圖生影片，放 1 至 9 張參考圖，短邊 400px 以上。圖片支援 JPEG、PNG、WEBP，單張 10MB 以內；文字指令中文約 2500 字以內（非中文字元 5000 以內），這些輸入規格採介面託管方口徑，先看過就不會白跑一次生成。
用 HappyHorse 1.0 生出一支會開口說中文的短片
在 VideoAI 用 HappyHorse 1.0，一次生出畫面與中文對白同步的短片。
這些短片，都是這樣生出來的
下面每一支，都是 HappyHorse 1.0 在 VideoAI 生成的自帶聲音短片。
霓虹地平線揭幕
品牌宣傳
櫻桃蛋糕預告
產品短片
賽博城市發布
品牌宣傳
金色田野邂逅
電影感宣傳
動作女主登場
娛樂宣傳
便利店衝擊
品牌宣傳
頭盔特寫
產品短片
日落咖啡館宣傳
生活風格宣傳
HappyHorse 1.0 一次把畫面和聲音做完
四項能力決定了它適合誰：會說話的畫面、一支片裡的多顆鏡頭、對得上的中文口型，還有跨鏡頭不換臉的主角。以下都是 VideoAI 站內可以直接用的能力。
原生音畫聯合生成
單次前向傳播就同時生成畫面與同步音軌，裡面已經包含口型同步的對白、環境音，以及帶有情緒的人聲表演，沒有獨立的音訊後製環節。對一個人做頻道的創作者來說，這代表流程從「先出畫面、再找配音、再手動對嘴」縮成一次生成。
多鏡頭一次生成
一次生成最長 15 秒 1080P，中間可以包含多個鏡頭切換，不是一顆呆板的長鏡頭。短影音的資訊密度戰場上，15 秒裡切三顆鏡頭才撐得起「勾子－說明－收尾」的節奏。說在前頭：最長就是 15 秒，內容更長就得拆成多段生成再剪。
多語種口型同步
據介面託管方標註，模型支援七種語言的對白口型同步：英語、普通話、粵語、日語、韓語、德語、法語。託管方自己聲明這項標註未經獨立測試，所以我們不把它講成保證，建議先用一兩句短台詞跑一版，聽過再決定要不要用在正式影片上。
參考圖鎖住主角
參考圖生影片（官方稱為主體生影片）接受 1 至 9 張參考圖，用來鎖定角色、主體或商品，讓它跨鏡頭維持同一個樣子；短劇最怕下一顆鏡頭換了一張臉，選品影片最怕商品長得不一樣，這項能力就是拿來解這件事的。另有圖生影片用恰好 1 張首幀圖搭配文字驅動，以及影片編輯用自然語言指令改既有影片、可附 0 至 5 張參考圖。
寫一句台詞，HappyHorse 1.0 就能開拍
在 VideoAI 站內三步走完：挑輸入、把台詞和規格設好、生成後聽一遍再微調。
步驟 02
把要角色講的台詞直接寫進文字指令，再設輸出規格
台詞寫在文字指令裡就好，對白與環境音會跟畫面一起生成，不需要另外配音。接著選解析度（720P 或 1080P，預設 1080P）、長度（3 至 15 秒整數秒，預設 5 秒），以及比例：16:9、9:16、1:1、4:3、3:4，預設 16:9，要發直式短影音就選 9:16。這份比例清單依據的是介面託管方的參數文件，不是阿里官方公告的規格，先講明出處你才知道能設到哪裡。
步驟 03
生成後先聽人聲、看口型，不滿意就改了重跑
片子出來先確認兩件事：中文口型對不對得上、人聲聽起來自不自然。不滿意就調文字指令或換一組參考圖重跑；已經有現成素材要改，就用影片編輯下自然語言指令，輸入影片支援 MP4 或 MOV、100MB 以內、3 至 60 秒，可附 0 至 5 張參考圖。等待時間看平台與排隊狀況；速度方面只有官方宣稱的 1080P 約 38 秒（單張 H100），那是自報數據、未經第三方驗證。
探索其他模型
瀏覽更多用於圖片與影片創作的 AI 模型。
開拍前，先問清楚這幾件事
HappyHorse 是什麼？在 VideoAI 上可以用它做什麼？
HappyHorse 阿里巴巴研發，是一款影片生成模型，最大的特點是畫面和同步音軌一次生成，裡面同時包含口型同步的對白、環境音，以及帶有情緒的人聲。在 VideoAI 上可以直接做 HappyHorse 影片生成，文生影片、圖生影片、參考圖生影片、影片編輯這四種玩法，站內全部開放，不用另外準備什麼就能開始生成。
它真的會自動生成聲音，還是我得自己再配音？
畫面和聲音是在同一次生成裡一起出來的，口型同步的對白、環境音、人聲會同時產生，中間沒有另外配音、也沒有手動對軌那一步。這正是它和只做畫面的影片模型最不一樣的地方，你不必再走「先出畫面，再找配音，再手動對嘴」那條老路。
在 VideoAI 上，HappyHorse 怎麼用才能做出一段會說話的影片？
先登入，接著挑輸入：可以是一段文字指令，或恰好 1 張首幀圖，或 1 到 9 張參考圖來鎖住同一個角色。把要講的台詞直接寫進文字指令裡，口型會圍繞你寫的字生成。設定好解析度、長度和畫幅之後，在站內按下生成，就能打開聲音預覽聽一遍。整段流程都在 VideoAI 裡完成，不用切到別的地方。
在 VideoAI 上用 HappyHorse 1.0 要花錢嗎？有沒有免費額度？
新用戶有 10 個免費額度，這份 HappyHorse 免費額度就直接涵蓋 1.0，可以直接拿來生成一段來試。額度用完之後，再用加油包（額度充值包）或訂閱套餐接著生成就行。我們不會在這裡寫死任何一個固定價格，實際方案以站內顯示的為準。
需要註冊帳號嗎？生成出來的影片有沒有浮水印、能不能商用？
需要登入、也就是先註冊一個帳號才能生成，這點我們直說，絕不會寫成「免登入、免註冊」那種話。用免費額度生成出來的成片沒有浮水印，可以直接下載，也可以用在商業用途上，不必再另外處理。
一段影片最長能做到多久？可以匯出 4K 嗎？
單條 3 到 15 秒（整數秒，預設 5 秒），解析度是 720P 或 1080P（預設 1080P），沒有 4K。單條影片內部可以有多個鏡頭切換，所以短短一支就能撐起一段節奏；真的需要更長，就自己把多條接起來。
HappyHorse 1.0 是開源的嗎？它和 1.1 又有什麼不一樣？
不是開源，沒有可以下載的權重，也沒有官方的程式碼倉庫。網路上那些「開源、免費下載權重、本地部署、輕量小體積版」的說法，都是蹭關鍵字的仿冒站編出來的假消息，實際上就在 VideoAI 站內生成即可。1.1 是 2026 年 6 月 23 日之後發布的另一個版本；本頁和 VideoAI 上的 HappyHorse 1.0 指的都是 1.0，也沒有所謂高階版、快速版、加速版、輕量版這類品質檔位。