HappyHorse 1.0: посібник із промптів і шість сценаріїв для ШІ-відео

HappyHorse 1.0 — це один трансформер на 15 мільярдів параметрів, який очищує від шуму токени тексту, зображення, відео й аудіо разом, в одній послідовності. Практичний наслідок — модель, що генерує відео 1080p із нативним спільним звуком приблизно за 38 секунд на H100, тобто втричі-вшестеро швидше за ровесників, не поступаючись сприйманій якості. Вона також дає багатомовний ліпсинк шістьма мовами з одного набору ваг. Цей посібник розбирає патерни промптів, які використовують архітектуру на повну, і шість сценаріїв, що показують, для чого ця модель насправді.

Що таке HappyHorse 1.0

HappyHorse 1.0 — це єдиний трансформер із самоувагою, 40 шарів у «сендвіч»-компонуванні: по чотири вхідні та вихідні шари на модальність і 32 спільні середні шари. Сигмоїдне гейтування на кожну голову тримає мультимодальне навчання стабільним. Окремого аудіопідмодуля немає — аудіотокени живуть у тій самій послідовності, що й відеотокени, і очищуються від шуму разом.

Чому єдина архітектура має значення

Більшість конкурентних відеомоделей прикручують звук другим етапом: відрендерити відео, потім синтезувати доріжку, потім спробувати їх синхронізувати. HappyHorse генерує їх разом, в одному проході очищення від шуму. Саме тому діалог лишається на губах, Foley влучає в момент контакту, а фонові шари тримаються узгоджено між склейками всередині кліпу.

Восьмикрокова дистиляція DMD-2 — друга половина історії. Більшість флагманських відеомоделей роблять 25–50 кроків очищення з guidance без класифікатора. HappyHorse відкидає і те, і те — 8 кроків, без CFG — і міняє невеликий запас якості на прискорення в 3–6 разів. Для процесів із багатьма ітераціями це різниця між трьома чернетками на годину та дванадцятьма.

Каркас промпт-інжинірингу

Чотири звички дають більшу частину приросту якості. Вони переносяться на інші відеомоделі зі звуком, але HappyHorse винагороджує їх щедріше за більшість.

Думайте спершу про звук

Ставтеся до звуку як до повноцінного елемента брифу, а не як до післядумки. Контраст нижче маленький на читання і великий на перегляд.

Використовуйте конкретну мову камери

Модель розбирає операторські терміни зі змістом. Користуйтеся ними.

• "Slow push-in" — поступове наближення, що нарощує напругу
• "Tracking shot" — камера їде збоку або позаду об’єкта
• "Low-angle" — ракурс сили й масштабу
• "Macro close-up" — гранична деталь, мала глибина різкості
• "360-degree orbit" — повний оберт навколо об’єкта
• "Aerial / drone shot" — вид згори з рухом уперед
• "Whip pan" — швидкий горизонтальний змах

Нашаровуйте звук у трьох вимірах

Звук працює найкраще, коли його описано як передній план, середній план і фон — так само, як зводить сцену звукорежисер.

• Передній план: домінантний звук (діалог, головний ефект)
• Середній план: другорядні звуки (кроки, шурхіт, дзенькіт)
• Фон: фактура середовища (натовп, дощ, трафік, вітер)

Закріпіть візуальний стиль

Два-три стильові токени лягають чистіше за п’ять. Кілька, що спрацьовують надійно:

• Фотореалізм — "anamorphic bokeh, 35mm film grain, teal-orange grading"
• Аніме / стилізація — "cel-shading, thick outlines, flat bold colors"
• Ретро — "1990s VHS grain, oversaturated warm tones, CRT scan lines"
• Рекламний — "studio lighting, white cyclorama, macro lens"

Сім головних порад

1. Виносьте об’єкт і дію в перші п’ятнадцять слів.
2. Описуйте звук явно; діалог беріть у лапки.
3. Замість загальних дієслів давайте конкретну режисуру камери.
4. Називайте візуальний стиль із посиланням на кіно, палітру чи традицію.
5. Додавайте фізичні деталі — дощ на склі, шовк, що ловить вітер, олія на металі.
6. Тримайте промпти коротшими за ~100 слів.
7. Тестуйте в низькій роздільній здатності, перш ніж генерувати в 1080p.

Шість перевірених сценаріїв

Шість брифів, що навантажують різні частини моделі. Кожен із них — це саме та робота, у якій архітектура справді сильна.

1. Короткі відео для соцмереж із нативним звуком рівня ASMR

Зроблено для авторів TikTok і Reels, які раніше накладали звук на постпродакшені.

"Thai street food vendor flipping pad see ew on a flat-top griddle, close-up of wok with garlic and chilis, oil sizzles loud, spatula scrapes metal, neon signage above, warm tungsten lighting, handheld camera with subtle shake, light rain on plastic awning in the background, customer chatter in Thai mid-distance. 9:16."

2. Маркетинговий креатив із кінематографічно точним звуком

Показ продукту з рухом, що шанує предмет, і звуком, який влучає в дію.

"Luxury chronograph watch on a polished volcanic stone, slow-motion water droplets bead and roll across the dial, slow 360-degree orbit camera, soft mechanical click as the crown is pressed, deep ambient hum, studio lighting on a black background, anamorphic flare from upper left, 16:9."

3. Багатомовні кампанії з однієї генерації

Ліпсинк працює з одного набору ваг. Той самий кадр, шість мов.

"A barista in a specialty coffee shop slides a flat white across a wooden counter and says, in casual Mandarin, '今天的豆子很特别，慢慢喝。' Espresso machine hisses, cup slides on wood, indie film aesthetic, soft window light from behind, shallow depth of field, 16:9."

4. B-roll і превіз із багатошаровим звуком середовища

Встановлювальні кадри, де фонове звучання працює не менше за зображення.

"Wide shot of a figure in a red parka approaching a glowing Antarctic research station at twilight, slow forward tracking, the camera then pulls back into a wide aerial, howling wind continuous, boots crunching frozen snow, faint radio crackle from inside the station, atmospheric ambient pad, cool blue palette, 21:9."

5. Рух товару для електронної комерції з нерухомого кадру

Бриф «зображення у відео», що оживляє головний кадр, не втрачаючи матеріалів.

"White running shoes on a charcoal pedestal, slow 360-degree orbit revealing tread, mesh, and neon accents, fine dust particles drift through a key light beam, soft whoosh as the shoe rotates, faint rubber creak, soft landing thud at the end of the rotation, soft studio lighting, 1:1."

6. Мультимодальний стрес-тест для досліджень ШІ

Джем-тест для спільної аудіо-відеопослідовності.

"Three-piece jazz ensemble in a dim club: drums brushed lightly, walking double bass, saxophone solo. The audience taps a glass on the table in rhythm. Smoke drifts through a single overhead spotlight, vintage 16mm film grain, warm amber tungsten, slow lateral tracking from drums to saxophonist, 16:9."

Як він виглядає на тлі інших

Де HappyHorse стоїть у складі відеомоделей 2026 року.

Чесні обмеження

Три речі, які варто знати, перш ніж ставити дедлайн на HappyHorse.

• Ваги та код інференсу ще не опубліковані на момент написання. Репозиторій існує за адресою github.com/FreeyW/HappyHorse, але робочого дерева там поки немає. Тим часом користуйтеся Happy Horse 1.0 в OmniArt або API Dashscope від Alibaba.
• Межа 15 секунд на кліп. Нативного multi-shot таймлайна немає; для довших історій зчіплюйте кліпи режимом Extend в іншій моделі.
• Немає мультимодальної системи референсів. Лише текст і зображення. Якщо потрібне обумовлення відео- чи аудіореференсом, беріть Seedance 2.0.

Як почати в OmniArt

Happy Horse 1.0 живе у відеопросторі OmniArt поруч із Seedance 2.0, Kling, Veo 3, Sora 2 і V6. Один обліковий запис, один баланс кредитів, оцінювання моделей поруч. Почніть із наведеного вище брифу для соцмереж з ASMR, щоб відчути процес «спершу звук», а потім переходьте до брифу для електронної комерції, коли захочете перевірити «зображення у відео».

Якщо ви обираєте між HappyHorse і Seedance 2.0, порівняння HappyHorse 1 та Seedance 2 розбирає компроміси кадр за кадром. Для довших наративних робіт кращою відправною точкою буде посібник із BACH для операторської роботи.