HappyHorse 1.0 對決 Seedance 2.0：Elo 排名看不到的事

Artificial Analysis 的排行榜把 HappyHorse 1.0 放在無聲文生影片的第一名，Seedance 2.0 排第二。那是最容易做的比較，也是最無聊的一種——無聲排行榜獎勵的，是在並排播放器裡容易做 A/B 的東西。真實的製作簡報是帶著聲音跑的，有限制條件，而且畫面裡同時有好幾個元素在動。

我們把其中三份簡報餵給兩個模型——一場武士對決、一場爵士演出，還有一個曼谷夜市場景——用七個面向評分，包含音訊同步和整體可用性。Elo 的差距沒有縮小。它反而在我們沒預期的地方，往 HappyHorse 那邊拉得更開。下面是完整的解讀，以及一份給正在 OmniArt 上二選一的創作者、按情境走的選購指南。

HappyHorse 1.0 對決 Seedance 2.0：規格速覽

無聲影片上的 Elo 差距大約是 88 分——換算成盲測，HappyHorse 大約有 58% 的勝率。那是公開的評測數字。有趣的問題是：加上聲音、加上複雜度，再套上一份像真實製作需求的評分標準之後，這個差距還在不在。

HappyHorse 1.0 和 Seedance 2.0 到底是什麼

HappyHorse 1.0

HappyHorse 把文字、圖片、影片和音訊的 token 放進同一個序列，穿過 40 層自注意力層一起處理。它生成 1080p 影片，帶七種語言的對嘴、擬音效果和環境音——全部在一次統一的生成裡完成。

這個模型在 2026 年 4 月 7 日匿名出現在 Artificial Analysis Video Arena 上，立刻攻上榜首，72 小時後消失。阿里巴巴後來承認這是他們的模型，並在 4 月 27 日開放 API。

Seedance 2.0

Seedance 用的是雙分支擴散 Transformer：一個分支生成影片，另一個分支生成音訊，交叉注意力在毫秒級把兩者接起來。每次生成最多可以吃 9 張參考圖、3 段影片和 3 個音訊檔，讓你對運鏡、光線和角色表演做到導演級的控制。它在 2026 年 2 月 10 日推出。

我們怎麼測的

多數比較文章重複同樣的風景和人像測試，那基本上是在重跑 Elo 評測已經量過的東西。我們把焦點放在三個真實的製作情境上，刻意去壓音訊、運鏡行為和多元素協調——也就是無聲排行榜看不到的那些部分。

每次測試都用七個面向評分：

• 畫面品質
• 動態流暢度
• 提示詞遵循度
• 運鏡
• 音訊品質
• 影音同步
• 整體可用性

測試一：電影感動作——竹林對決

Prompt: A lone samurai in black lacquered armor at dawn draws a katana in a dense bamboo forest. Mist, wind sounds, blade ring, temple bells, and a camera pull from tight hand grip to wide tracking shot.

HappyHorse 1.0 的結果。 畫面執行到位——盔甲上的鏡面反射在物理上可信，霧氣有體積感的互動，拔刀有真實的重量。音訊同步是最亮眼的：刀刃的金屬鳴響和視覺上的拔刀緊密同步，不早也不晚，就落在對的格子上。統一架構在這裡回本了——單流的 Transformer 把視覺和聲音當成同一個事件的兩個部分，而你聽得出這個差別。

Seedance 2.0 的結果。 畫面精細度明顯低一階——盔甲質感比較軟，霧的體積感比較弱。運鏡執行在這裡贏了：從特寫拉到廣角的那個動作起點更貼近指示，感覺是排練過的，而不是大概抓一下。音訊少了 HappyHorse 那種空間沉浸感——聲音都貼在鏡頭旁邊，沒有散佈到整個場景裡。

測試一評分表：

判定： HappyHorse 拿下七項中的六項。Seedance 的運鏡精準度是真的——它更忠實地執行了從特寫拉到廣角——但那補不回音訊上的落差。

測試二：音樂演出——Blue Note 的最後一首

Prompt: A jazz singer in crimson velvet under amber spotlight performs with piano accompaniment. Cigarette smoke, glass clinks, muffled conversation, and a slow camera push-in as the melody builds.

HappyHorse 1.0 的結果。 絲絨的光澤看起來很真；煙感覺是被物理模擬出來的，而不是畫上去的。歌手的擺動有自然的律動，不是那種一眼就看出是 AI 音樂錄影帶的機械式擺盪。音訊的勝出幅度更大：人聲演唱和鋼琴伴奏像同一個音樂事件互相靠著彼此。嘴型跟著旋律線走，沒有出現我們預期的中段脫節。這個模型不是事後把兩條分開的串流對上——它是在生成一個統一的視聽體驗。

Seedance 2.0 的結果。 畫面扎實但氛圍比較薄——絲絨比較不可信，煙比較沒動態。音訊漏掉了完整的聲景：這間爵士酒吧應該要有玻璃杯碰撞和聽眾模糊交談的層次，但在 Seedance 的輸出裡，這些環境細節不是太弱就是不見了。運鏡執行維持紀律——推近比 HappyHorse 更照字面走，從中景到特寫，跟指示一致。

測試二評分表：

判定： HappyHorse 這一回合贏得比預期更乾脆。Seedance 處理得了主唱加鋼琴這個主結構，但它漏掉太多關於整個空間的聲音指示，做音樂類簡報時還輪不到它。

測試三：多元素場景——夜市的火

Prompt: A Bangkok street food vendor tosses a wok over towering flame at night. Fire dynamics, six customers, a woman filming with a glowing phone screen, handheld documentary camera, and audio including burner roar, sizzling oil, Thai orders, traffic, and distant pop music.

HappyHorse 1.0 的結果。 火焰動態很驚人——火舌回應著鍋子的甩動，物理很有說服力，火星散開的軌跡也可信。甩麵的弧線和時機都對。音訊撐起了爐火的轟鳴、油的滋滋聲、車流，還有更廣的街道氛圍。不過人的表演掉鏈子：攤販和客人都在，但他們的臉沒有對熱氣、速度和人來人往做出自然的反應。

Seedance 2.0 的結果。 視覺上沒那麼炸，但整個場景讀起來更連貫。鏡頭語言很出色——手持的晃動有目的性，景深的變化引導了注意力，這支片從火焰到攤販再到人群的順序也更清楚。人的行為更可信——攤販的動作、客人的注意力和人群的反應，都比 HappyHorse 那種比較僵硬的人物表演更貼合情境。音訊的完整度不夠：基本的滋滋聲和街道環境音有，但泰語叫單的攤販聲不見了。

測試三評分表：

判定： 這是最接近的一回合。HappyHorse 抓到更多要求的視覺和聲音元素；Seedance 把這個場景講得更好。

整體結果

意外的不是 HappyHorse 在畫面上贏——排行榜早就講過了。意外的是 HappyHorse 在音訊上也贏。加上聲音之後差距變大，而不是變小。統一架構產出的視聽體驗，比「先分開再同步」那條路更整體。

社群怎麼說

創作者串裡的風向，集中在幾個一致的主題：

• 畫質有共識。 視覺差距很明顯；愈來愈多人提到音訊比預期更強，尤其是環境聲景和擬音。
• 上線流程有優勢。 一講到可重現性、靠參考素材控制和被導演過的工作流，大家會點頭給 Seedance。
• 共同的老問題。 兩個模型在精準的多角色站位上都還是會卡。
• 看任務挑模型。 想要單次生成就最強的一支片，用 HappyHorse。需要拿參考素材去指揮輸出，用 Seedance。

社群的讀法和上面的測試結果是一致的。

音訊的落差為什麼讓我們意外

Artificial Analysis Video Arena 做的是盲測視覺比較，使用者並排比較沒有標籤的片子。無聲影片測試裡，HappyHorse 領先約 88 個 Elo 分。加上音訊之後，公開分數收斂到幾乎平手，看起來像是 Seedance 的分支架構追上來了。

但實務上——用正常速度、開著聲音看完整支片——HappyHorse 的優勢沒有縮小，反而擴大了。為什麼？因為短片的孤立 A/B 比較會放大明顯的聲音事件（一聲刀鳴、一個鋼琴音），而不是環境的整體感。而環境的整體感，正是 HappyHorse 那種統一單次生成拉開差距的地方。

什麼時候選 HappyHorse 1.0

• 單支片的品質最重要
• 需要沉浸式環境聲景的專案
• 快速迭代（H100 上一支 5 秒的 1080p 片約 38 秒）
• 創意優先的工作——情緒板、社群主打片
• 需要多語言對嘴的講話人頭（7 種語言）

什麼時候選 Seedance 2.0

• 要導演級的輸入控制（最多 9 張參考圖、3 段影片、3 個音訊檔）
• 運鏡精準度和分鏡遵循度
• 角色和道具要一致的多鏡頭序列
• 需要穩定性和成熟文件的製作流程

HappyHorse 還是 Seedance：依情境選

HappyHorse 1.0 對決 Seedance 2.0：常見問題

HappyHorse 1.0 比 Seedance 2.0 好嗎？

在我們的測試裡，HappyHorse 在大多數面向都產出更強的結果——畫面品質、動態流暢度、音訊豐富度，以及整支片的可用性。Seedance 在運鏡精準度和靠參考素材被指揮的能力上勝出。

HappyHorse 1.0 會生成音訊嗎？

會。HappyHorse 在生成影片的同一次過程裡就原生生成音訊，包含七種語言（英語、國語、粵語、日語、韓語、德語、法語）的對白與對嘴、擬音和環境音。

哪個比較快？

HappyHorse 在 H100 的機器上，一支 5 秒的 1080p 片大約 38 秒。Seedance 的生成時間依平台和設定而異，但大致落在類似的區間。

HappyHorse 1.0 真的開源了嗎？

阿里巴巴已經宣布會開源權重、蒸餾模型和推論程式碼。截至 2026 年 5 月，這個模型可以透過 fal.ai、Replicate 和阿里雲的 API 使用。GitHub 或 Hugging Face 上經獨立驗證的公開權重，目前仍未獲得確認。

Seedance 2.0 的畫面品質追得上 HappyHorse 嗎？

在逐格比較裡，HappyHorse 一貫產出更銳利的質感、更有戲的光線和更流暢的動態。Seedance 的畫面很扎實，但就是低一階。

哪個處理複雜提示詞比較好？

HappyHorse 從複雜提示詞裡產出的東西更驚人，但有時候會對運鏡和空間指示做出自己的創意詮釋。Seedance 更照字面執行詳細的提示詞指示。

兩個模型都支援圖生影片嗎？

都支援。兩個都吃參考圖當輸入並據此生成影片。在公開評測上，HappyHorse 的圖生影片 Elo（約 1,392）領先 Seedance（約 1,351）。

最終判定：HappyHorse 1.0 對決 Seedance 2.0

HappyHorse 的統一架構全面產出更完整的一支片——更好的畫格、更自然的動態、更沉浸的聲景。Seedance 並不是比較弱的模型，它是另一種工具。它導演級的參考系統、可預測的運鏡執行和成熟的製作生態，讓它在你需要控制輸出、而不是被輸出驚豔的時候，成為對的選擇。

2026 年最強的工作流是兩個都用：HappyHorse 負責主打鏡頭、概念探索，還有那種要讓人滑到一半停下來的片子。Seedance 負責被指揮過的序列、對得上的剪接點，以及那條以可重現性為目的的製作流程。

想更深入了解多鏡頭生成和它的走向，可以看我們的姊妹篇 BACH AI 影片生成器。

在 OmniArt 上開始

打開 OmniArt 影片工作台裡的 Happy Horse 1.0，用同一份簡報和 Seedance 比一比——同一組提示詞、同一批參考素材、並排的輸出——不用在不同帳號和不同計價方式之間切來切去。拿上面那份七面向評分表，跑你自己的製作提示詞。贏的那個模型不是 Elo 最高的那個，而是用最少次數就把你的草稿帶到「過了」的那個。