HappyHorse 1.0 vs Seedance 2.0: o que os rankings Elo não mostram

O ranking da Artificial Analysis coloca o HappyHorse 1.0 em #1 em texto para vídeo sem áudio, com o Seedance 2.0 em segundo. É a comparação fácil — e também a mais entediante: leaderboards silenciosos premiam o que é simples de comparar lado a lado. Briefings de produção real rodam com som, com restrições e com vários elementos em movimento ao mesmo tempo.

Rodamos três desses briefings nos dois modelos — um duelo de samurais, uma performance de jazz e uma cena de mercado noturno em Bangkok — avaliando sete dimensões, incluindo sincronização de áudio e usabilidade geral. A diferença de Elo não encolheu. Ficou maior, a favor do HappyHorse, em pontos que não esperávamos. Abaixo está a leitura completa, mais um guia de escolha cenário a cenário para criadores que decidem entre eles na OmniArt.

HappyHorse 1.0 vs Seedance 2.0: especificações rápidas

A diferença de Elo em vídeo silencioso é de cerca de 88 pontos — algo como 58% de vitórias em testes cegos para o HappyHorse. Esse é o benchmark público. A pergunta interessante é se isso sobrevive a som, complexidade e rubricas de avaliação que parecem necessidades reais de produção.

O que HappyHorse 1.0 e Seedance 2.0 realmente são

HappyHorse 1.0

O HappyHorse processa tokens de texto, imagem, vídeo e áudio em uma única sequência por 40 camadas de autoatenção. Gera vídeo em 1080p com lip-sync em sete idiomas, efeitos Foley e som ambiente — tudo em uma passagem unificada.

O modelo apareceu de forma anônima na Artificial Analysis Video Arena em 7 de abril de 2026, subiu ao topo do ranking imediatamente e sumiu 72 horas depois. A Alibaba confirmou a propriedade depois e lançou acesso via API em 27 de abril.

Seedance 2.0

O Seedance usa um Dual-Branch Diffusion Transformer: um ramo gera vídeo, outro gera áudio, e cross-attention os conecta no nível de milissegundo. Aceita até 9 imagens de referência, 3 clipes de vídeo e 3 arquivos de áudio por geração, permitindo controle em nível de diretor sobre movimento de câmera, iluminação e performance do personagem. Lançou em 10 de fevereiro de 2026.

Como testamos

A maioria dos artigos de comparação repete os mesmos testes de paisagem e retrato — basicamente reexecutando o que o benchmark Elo já capturou. Focamos em três cenários reais de produção pensados para estressar áudio, comportamento de câmera e coordenação multi-elemento — o que um leaderboard silencioso não vê.

Cada teste foi pontuado em sete dimensões:

• Qualidade visual
• Fluidez de movimento
• Aderência ao prompt
• Trabalho de câmera
• Qualidade de áudio
• Sincronização áudio-vídeo
• Usabilidade geral

Teste 1: ação cinematográfica — o duelo no bambu

Prompt: Um samurai solitário em armadura preta laqueada ao amanhecer desembainha uma katana em uma floresta densa de bambu. Névoa, vento, som metálico da lâmina, sinos de templo e um pull de câmera do close na mão ao plano geral em tracking.

Resultado HappyHorse 1.0. A execução visual entrega — reflexos especulares convincentes na armadura, névoa volumétrica e desembainhar da lâmina com peso realista. O destaque é a sincronização de áudio: o som metálico da lâmina chega em sincronia firme com o gesto visual, nem adiantado nem atrasado, nos frames certos. A arquitetura unificada compensa — o Transformer de fluxo único trata visão e som como partes de um mesmo evento, e dá para ouvir a diferença.

Resultado Seedance 2.0. A fidelidade visual fica um degrau abaixo — textura da armadura mais suave, névoa menos volumétrica. A câmera ganha aqui: o pull de close para aberto segue mais de perto a especificação e parece planejado, não aproximado. O áudio não tem a imersão espacial do HappyHorse — os sons parecem perto da câmera em vez de distribuídos na cena.

Placar do teste 1:

Veredito: HappyHorse vence em 6 de 7 dimensões. A precisão de câmera do Seedance é real — ele segue o pull-out com mais fidelidade — mas não compensa a lacuna de áudio.

Teste 2: performance musical — última música no Blue Note

Prompt: Uma cantora de jazz em veludo carmesim sob holofote âmbar performa com piano. Fumaça de cigarro, tilintar de copos, conversa abafada e um push-in lento de câmera conforme a melodia cresce.

Resultado HappyHorse 1.0. O brilho do veludo parece realista; a fumaça parece simulada fisicamente, não pintada por cima. O balanço da cantora tem ritmo natural, não a oscilação robótica que denuncia muitos clipes de música com IA. O áudio é o ganho maior: voz e piano acompanham-se como um único evento musical. Os lábios seguem a linha vocal sem o drift no meio do clipe que esperávamos. O modelo não sincroniza dois fluxos separados depois — gera uma experiência audiovisual unificada.

Resultado Seedance 2.0. Visuais sólidos, porém menos atmosféricos — veludo menos convincente, fumaça menos dinâmica. O áudio perde o soundscape completo: o clube deveria soar em camadas com copos e plateia abafada, mas no output do Seedance esses detalhes ambiente ficam fracos ou ausentes. A câmera permanece disciplinada — o push-in segue o prompt mais literalmente que o HappyHorse, médio para close conforme especificado.

Placar do teste 2:

Veredito: HappyHorse vence esta rodada com mais clareza do que esperávamos. O Seedance lida com cantora e piano, mas deixa de fora instruções demais de som ambiente para ser a melhor escolha em um briefing musical.

Teste 3: cena multi-elemento — fogo no mercado noturno

Prompt: Um vendedor de comida de rua em Bangkok salta um wok sobre chama alta à noite. Dinâmica do fogo, seis clientes, uma mulher filmando com tela de celular brilhante, câmera documental na mão, áudio com rugido do fogão, óleo chiando, pedidos em tailandês, trânsito e pop distante.

Resultado HappyHorse 1.0. A dinâmica do fogo impressiona — as chamas respondem ao arremesso do wok com física convincente, faíscas em trajetórias críveis. O arremesso de macarrão tem arco e timing certos. O áudio traz rugido do fogão, óleo chiando, trânsito e atmosfera de rua mais ampla. A performance humana falha: vendedor e clientes estão presentes, mas os rostos não reagem de forma natural ao calor, à velocidade e ao burburinho social.

Resultado Seedance 2.0. Visualmente menos explosivo, mas a cena lê de forma mais coerente. A linguagem de câmera se destaca — o movimento na mão parece intencional, o desfoque guia a atenção e o clipe tem sequência mais clara de chama para vendedor para multidão. O comportamento humano convence mais — movimento do vendedor, atenção dos clientes e reações da multidão encaixam melhor na situação que a performance mais rígida do HappyHorse. A completude do áudio fica curta: chiado básico e ambiente de rua existem, mas o vendedor chamando pedidos em tailandês não aparece.

Placar do teste 3:

Veredito: Esta é a rodada mais equilibrada. O HappyHorse captura mais elementos visuais e de áudio pedidos; o Seedance conta a cena melhor.

Resultados gerais

A surpresa não é o HappyHorse vencer em visual — o leaderboard já dizia isso. A surpresa é ele vencer também em áudio. A diferença aumenta com som, não diminui. A arquitetura unificada produz experiência audiovisual mais coesa que a abordagem separar-e-sincronizar.

O que a comunidade está dizendo

O sentimento em threads de criadores converge em alguns temas:

• Consenso de qualidade. A lacuna visual é clara; usuários destacam cada vez mais o áudio como mais forte do que esperavam, especialmente em soundscapes ambiente e Foley.
• Vantagem de produção. Quando a conversa vira repetibilidade, controle por referência e fluxos dirigidos, o Seedance leva vantagem.
• Limitações persistentes. Ambos ainda lutam com posicionamento preciso de múltiplos personagens.
• Escolha por tarefa. Use HappyHorse quando quiser o clipe único mais forte. Use Seedance quando precisar dirigir o output com referências.

Essa leitura da comunidade alinha com os testes acima.

Por que a lacuna de áudio nos surpreende

A Artificial Analysis Video Arena faz testes visuais cegos em que usuários comparam clipes sem rótulo lado a lado. Em vídeo silencioso, o HappyHorse lidera por ~88 pontos de Elo. Com áudio, as pontuações públicas se aproximam da paridade — o que sugeriria que a arquitetura de ramos separados do Seedance alcança.

Na prática — assistindo clipes inteiros em velocidade normal com som ligado — a vantagem do HappyHorse não encolheu. Cresceu. Por quê? Comparações A/B isoladas de clipes curtos enfatizam eventos de áudio óbvios (som da lâmina, nota de piano) em vez de coesão ambiente. Coesão ambiente é exatamente onde a geração unificada em passagem única do HappyHorse se adianta.

Quando escolher HappyHorse 1.0

• Qualidade de clipe único em primeiro lugar
• Projetos que precisam de soundscapes ambiente imersivos
• Iteração rápida (clipe de 5 segundos em 1080p em ~38 segundos em H100)
• Trabalho criativo — mood boards, clipes hero para redes
• Talking-head com lip-sync multilíngue (7 idiomas)

Quando escolher Seedance 2.0

• Controle de entrada em nível de diretor (até 9 imagens de referência, 3 clipes, 3 áudios)
• Precisão de câmera e aderência a storyboard
• Sequências multi-shot com personagens e props consistentes
• Pipelines de produção que precisam de estabilidade e documentação madura

HappyHorse ou Seedance: escolha por cenário

HappyHorse 1.0 vs Seedance 2.0: FAQ

O HappyHorse 1.0 é melhor que o Seedance 2.0?

Nos nossos testes, o HappyHorse produziu output mais forte na maioria das dimensões — qualidade visual, fluidez de movimento, riqueza de áudio e usabilidade geral do clipe. O Seedance superou em precisão de câmera e dirigibilidade por referência.

O HappyHorse 1.0 gera áudio?

Sim. O HappyHorse gera áudio nativamente na mesma passagem que o vídeo, incluindo diálogo com lip-sync em sete idiomas (inglês, mandarim, cantonês, japonês, coreano, alemão, francês), Foley e som ambiente.

Qual modelo é mais rápido?

O HappyHorse gera um clipe de 5 segundos em 1080p em ~38 segundos em infraestrutura H100. Os tempos do Seedance variam por plataforma e configuração, mas ficam em faixa parecida.

O HappyHorse 1.0 é realmente código aberto?

A Alibaba anunciou liberação open source de pesos, modelos destilados e código de inferência. Em maio de 2026, o modelo está acessível via fal.ai, Replicate e APIs da Alibaba Cloud. Pesos públicos verificados de forma independente no GitHub ou Hugging Face ainda não foram confirmados.

O Seedance 2.0 pode igualar a qualidade visual do HappyHorse?

Em comparações frame a frame, o HappyHorse produz texturas mais nítidas, iluminação mais dramática e movimento mais fluido de forma consistente. O visual do Seedance é sólido, mas um degrau abaixo.

Qual modelo lida melhor com prompts complexos?

O HappyHorse gera output mais impressionante a partir de prompts complexos, mas às vezes toma liberdades criativas com instruções de câmera e espaço. O Seedance segue instruções detalhadas de prompt com mais literalidade.

Ambos suportam imagem para vídeo?

Sim. Ambos aceitam imagem de referência como entrada e geram vídeo a partir dela. O Elo de imagem para vídeo do HappyHorse (~1.392) lidera o do Seedance (~1.351) no benchmark público.

Veredito final: HappyHorse 1.0 vs Seedance 2.0

A arquitetura unificada do HappyHorse produz um clipe mais completo no conjunto — frames melhores, movimento mais natural, soundscape mais imersivo. O Seedance não é o modelo mais fraco. É outro tipo de ferramenta. O sistema de referência em nível de diretor, a execução previsível de câmera e o ecossistema maduro de produção o tornam a escolha certa quando você precisa controlar o output em vez de se impressionar com ele.

O fluxo mais forte em 2026 usa os dois: HappyHorse para hero shots, exploração de conceito e clipes que precisam parar o scroll; Seedance para sequências dirigidas, cortes combinados e o pipeline onde repetibilidade é o ponto.

Para uma leitura mais profunda sobre geração multi-shot e para onde isso vai, veja nosso texto complementar sobre o gerador de vídeo BACH AI.

Começando na OmniArt

O workspace de vídeo da OmniArt oferece um lugar para comparar modelos no mesmo briefing — mesmo prompt, mesmos assets de referência, outputs lado a lado — sem gerenciar contas ou modelos de preço separados. Rode o placar de sete dimensões acima nos seus próprios prompts de produção. O modelo que vence não é o de maior Elo — é o que leva seu rascunho a «aprovado» com menos takes.