阿里 Happy Horse 1.1 来了：AI 视频开始拼真正可用

AI 视频最近有点像挤牙膏，也有点像短跑。

一边是模型名字越来越多，用户还没记住；另一边是能力确实在往前挪。阿里的 Happy Horse 1.1，就是这种状态。

它不是那种只靠一条 demo 把人吓一跳的更新。真正值得看的地方，是它开始把 AI 视频里最烦人的几件事放到台面上：画面要稳，人物别换脸，商品别变形，声音别像后期随手贴上去。

以前很多视频模型的问题都很一致：第一眼不错，第二眼穿帮，第三眼你就知道不能直接交活。

人物一转身，脸不太对；产品动一下，包装开始糊；多镜头一接，角色像临时换了演员；声音还要再找工具配，口型再单独修。

Happy Horse 1.1 这次打的，正好是这些老毛病。

先说结论

如果你只是偶尔玩一段 AI 视频，1.1 当然是新玩具。

但如果你做短视频、电商素材、广告分镜、社媒内容、数字人口播，或者团队里已经开始用 AI 做视频草稿，那它更像一个可以认真测试的工具。

我不想把话说得太满。AI 视频现在离“随便一句话就能稳定出片”还远。

但从 fal.ai 已经公开的 1.1 API 看，它至少把几个生产参数摆出来了：

• Text-to-Video、Image-to-Video、Reference-to-Video 三个 1.1 入口
• 720p 和 1080p 输出
• 3 到 15 秒视频时长
• 原生同步音频和多语言唇同步
• Reference-to-Video 最多 9 张参考图
• API 价格：720p 每秒 0.14 美元，1080p 每秒 0.18 美元

这些参数不花哨，但很实际。

因为真实工作里，创作者最怕的不是模型不会整活。恰恰相反，最怕的是它太会自由发挥，最后没法控制。

1.1 到底更新了什么

先把版本信息说清楚。

fal.ai 当前公开的是 alibaba/happy-horse/v1.1/... 这组端点，不是早期容易误写的 fal-ai/happy-horse/...。1.1 主要有三个入口：

• alibaba/happy-horse/v1.1/text-to-video
• alibaba/happy-horse/v1.1/image-to-video
• alibaba/happy-horse/v1.1/reference-to-video

Text-to-Video 只用文字生成视频。它支持 9 种画幅：16:9、9:16、1:1、4:3、3:4、21:9、9:21、5:4、4:5。这个变化对社媒很有用，尤其是竖屏、横屏、超宽屏要同时测试的时候。

Image-to-Video 是让一张图动起来。1.1 的首帧图片最大 20 MB，图片最短边至少 300px，支持 JPEG、JPG、PNG、BMP、WEBP。这个入口适合把商品图、海报图、人物图先变成一段可看的视频。

**Reference-to-Video 是我更在意的入口。**它允许传 1 到 9 张参考图，提示词里可以用 character1、character2 一直到 character9 指代这些图里的主体。图片最短边至少 400px，每张最大 20 MB。

这件事看起来像参数细节，其实很重要。

因为商业内容最怕“差一点像”。一个商品瓶身三秒换一次形状，广告就不能用了；一个数字人每个镜头像换了亲戚，观众马上出戏；一个 IP 角色从正脸到侧脸就变陌生，后面剪辑再强也救不回来。

Reference-to-Video 想解决的不是“生成一段漂亮视频”，而是“围绕同一个人、同一个商品、同一种视觉风格继续生成”。

这才是电商、广告和 IP 内容会在意的地方。

音频这次要单独看

很多人看 AI 视频，第一反应盯着画面。

但真正让一段视频像不像成片，经常是声音。

人物说话时，口型、语气、环境声、镜头节奏只要有一个对不上，画面再漂亮也会显得假。产品落到桌面要有触感，人物走路要有脚步，室内要有一点空间声。少了这些，视频会像一段会动的图片。

fal.ai 对 Happy Horse 1.1 的描述里，明确写了同步原生音频和多语言唇同步。

这意味着它不是只输出静音画面，再让你自己去找配音、音效、对口型工具。它想把画面、动作、对白和环境声放进同一条生成链路里。

说人话：AI 视频不再只是“做画面”，而是在靠近“做片段”。

这对短视频和广告素材尤其有用。很多内容不需要电影级制作，但需要能看、能听、能发，别一开口就露馅。

当然，中文体验还得实测。

“多语言唇同步”写在文档里是一回事，普通话、粤语、不同口音、不同语速下稳不稳，是另一回事。如果你真打算接进业务，最好拿自己的真实素材跑几组，不要只看官方样片。

它为什么被关注

Happy Horse 不是突然冒出来的名字。

2026 年 4 月，《华尔街日报》报道过 HappyHorse 1.0。当时它先以匿名模型身份出现在 Artificial Analysis 的文生视频榜单上，并排到第一，后来阿里方面确认了背后来源。阿里旗下新成立的 AI 相关团队 Token Hub 也提到，当时模型处于内测，并计划开放 API。

这个背景很关键。

1.1 不是从零开始讲故事，而是在 1.0 已经被外部榜单和开发者注意到之后，快速补 API、补多入口、补参考图和音频能力。

视频模型竞争很残酷。画质、动作、镜头、角色一致性、音频、成本、速度，任何一项拖后腿，真实用户都会走。

所以我更关心的不是它某一条 demo 有多惊艳，而是阿里能不能保持这种更新速度。

AI 视频这个赛道，慢半拍就容易被遗忘。

谁最该试

普通用户不用急着判断它是不是“最强”。

更实用的问题是：你有没有这些场景。

电商团队

商品主图、上新短片、场景广告、直播预热视频，都需要大量视频素材。

如果 Reference-to-Video 能稳定保住商品外观，电商团队会最早感受到价值。它不一定替代摄影棚，但可以先生成多版创意，帮你筛方向。

比如同一个香水瓶，试 5 个场景；同一款耳机，试办公室、地铁、健身房；同一件衣服，试不同镜头运动。先看哪条有感觉，再决定要不要精修或实拍。

广告和品牌团队

广告团队要的不是一条视频，而是很多条候选。

不同镜头、不同文案、不同场景、不同人物状态，都要试。AI 视频如果能降低试错成本，前期分镜、创意验证、提案样片都会快很多。

但品牌团队也要更谨慎。

**品牌色、LOGO、包装文字、代言人形象，这些东西不能乱。**Happy Horse 1.1 能不能稳定压住这些细节，要用自己的品牌素材试。

短剧和社媒创作者

短剧创作者最缺的是产能。

人设、镜头、动作、对白、音效，每一项都耗时间。Happy Horse 1.1 如果在人物一致性和唇同步上更稳，至少可以先覆盖概念片、预告片、剧情测试和素材补拍。

我不建议一上来就拿它做完整短剧。

更现实的用法，是先做“够用的小片段”：一个转场，一个人物反应，一个产品氛围镜头，一段旁白口播。把这些边角料补上，剪辑压力会小很多。

产品和运营

AI 视频不只和导演有关。

产品演示、活动预热视频、课程片头、社群宣传、功能说明，都可能用到。以前这些内容经常因为“做起来麻烦”被砍掉。

现在可以先用 AI 出一个版本。

不一定直接发布，但至少能让团队看到效果，减少口头沟通。

现在别急着神化

我会把 Happy Horse 1.1 看成一个值得测试的工具，而不是魔法棒。

几个限制仍然要盯住。

第一，长一点的视频稳不稳。

3 秒好看和 15 秒不崩，是两回事。fal.ai 文档支持 3 到 15 秒，但可用率要看真实任务。

第二，多镜头一致性还要验证。

Reference-to-Video 解决的是单次生成里的参考主体一致性。真正项目里常常要跨多条视频保持同一个角色，这比单条视频更难。

第三，提示词成本不能太高。

如果普通人为了拿到一条可用视频，要写 1000 字提示词、反复调参 20 次，那门槛还是不低。

第四，授权和素材规则要看清楚。

fal.ai 页面标注了商业使用入口，但你用真人参考图、品牌素材、商品图生成时，还要看素材授权、肖像权、平台规则和内容安全要求。技术能生成，不等于你一定能放心发布。

第五，中文和中文口播要单独测。

英文 demo 好，不代表中文口型自然。普通话、粤语、方言、快语速，最好都跑一遍。

怎么测试更划算

如果你准备试 Happy Horse 1.1，不建议一上来就写“拍一部赛博朋克史诗大片”。

这种提示词很爽，但测不出工具能不能进流程。

拿真实业务问题测，更快。

电商用户可以看：

• 同一个商品在 3 个场景里外观是否一致
• 10 秒视频里包装、LOGO、文字会不会变形
• 镜头运动时商品边缘和材质会不会糊

内容创作者可以看：

• 同一个人物连续说两句话，口型是否自然
• 角色转头、走动、抬手时脸是否稳定
• 同一提示词多次生成，风格是否可控

团队用户可以看：

• 拿到一条可用素材平均要生成几次
• 720p 和 1080p 的真实成本差多少
• 后期还要补多少剪辑、配音、修图工作

真正的工具评测，不是看最好的一条样片。

而是看你为了拿到一条能用的视频，要废掉多少条。

最后带走三点

第一，Happy Horse 1.1 的重点不是单纯“画质更好”，而是把视频生成往可交付方向推。

1080p、3 到 15 秒、原生音频、多语言唇同步、参考图一致性、API 接入，这些能力都很朴素，但都和真实工作有关。

第二，Reference-to-Video 是最值得关注的入口。

最多 9 张参考图，瞄准的是人物、商品和品牌视觉的一致性。对电商和广告来说，这比单段画面炫不炫更重要。

第三，别只看 demo。

**拿自己的素材测。**看它能不能减少沟通、试错和返工。能减少，才叫工具。只能惊艳一次，那还是玩具。

==关注我==，我会继续跟进 AI 视频、AI Agent 和内容生产工具的真实变化，重点看它们到底适合谁用、怎么接进工作流、现在值不值得花钱试。觉得这篇有用，也可以转给正在做短视频、电商素材或品牌内容的朋友。