快科技6月22日消息，阿里巴巴正式发布视频生成引擎HappyHorse 1.1，在1.0版本之上完成迄今规模最大的一次迭代，围绕动态表现、主体还原、指令理解、画面质感与音频同步五大维度实现系统性升级。新版目前已同步登陆HappyHorse官网、阿里云百炼及千问云平台，对外开放调用。
基础生成规格与此前保持一致：单次可产出3至15秒短片，原生支持720P与1080P两种高清分辨率，并兼容任意自定义宽高比例，广泛适用于短视频、广告片、短剧分镜等多元创作场景。
动态表现是此次优化的核心方向。研发团队重构了运动与时序建模逻辑，着力改善旧版动作迟缓、动态张力不足等问题。舞蹈、打斗、流体、布料等复杂运动画面的连贯度大幅提升，有效缓解了行业内普遍存在的动作失真和画面拖影缺陷。
主体一致性能力显著增强。模型支持一次性输入多达9张角色或商品参考图，强化了多分镜与多素材的融合理解。在整个生成过程中，人物五官、品牌标识及产品细节均可被稳定保留，多人物连续镜头中角色“变脸”问题明显减少，更好地满足直播带货、系列广告及连续短剧的批量生产需求。
指令遵循能力进一步强化。无论用户给出简短关键词，还是包含多场景、多人物和镜头调度的长段叙事提示，引擎均能精准拆解并执行，使复杂分镜的画面排布更稳定，叙事逻辑更完整。
画质方面完成了精细化调校，大幅削弱了此前生成内容中常见的油光、过度锐化与虚假磨皮痕迹，真实保留皮肤毛孔、纹理褶皱等细节，使人像与实景成片更贴近实拍质感，达到商业广告所需的高清输出标准。
音频生成延续原生音画同步架构。不同于先出画面再后期配音的常规流程，该引擎对文本、画面和音频进行统一序列建模，在生成画面的同时即可输出与之匹配的原声音频，并支持中、英、日、韩、德、法、阿拉伯共7种语言的唇形对齐，无需二次调音即可实现声画同步。
在底层，HappyHorse 1.1采用15B参数的单流统一Transformer架构，并配合蒸馏去噪优化，推理效率与成本优势突出。单张H100显卡即可快速产出1080P成片，适合中小创作者与企业进行批量商用生产。