Alibaba: HappyHorse 1.1

Alibaba HappyHorse 1.1 est une édition de génération vidéo avec des profils nommés séparément à partir de texte, d’une première image et de références. Le producteur met l’accent sur l’amélioration des détails visuels, du mouvement, de l’identité des personnages entre clips, de la stabilité du texte et de la synchronisation audiovisuelle. Le résultat est une courte vidéo avec du son, utile pour un plan de produit, une animation de portrait ou une petite scène de personnages. Choisissez le mode d’entrée selon ce qui doit définir la scène : un concept écrit, une image d’ouverture exacte ou plusieurs références visuelles.

Pour la génération à partir de texte, décrivez le sujet, le lieu, l’action, le cadrage, le mouvement de caméra et l’intention sonore. Pour une courte scène d’action, montrez un cycliste qui s’arrête près d’un café au bord d’une rivière pendant que la caméra se rapproche doucement du vélo garé. Adaptez l’action à un court clip et décrivez le moment final. Le guide textuel actuel du producteur autorise jusqu’à 5 000 caractères non chinois ou 2 500 caractères chinois et tronque le texte excédentaire. Organisez le brief afin que le sujet et l’action essentiels soient explicites, plutôt qu’enfouis dans des adjectifs répétés.

La génération à partir d’une première image utilise exactement une image pour l’ouverture. Préparez le sujet, la composition et le recadrage souhaité dans cette image fixe, puis décrivez ce qui doit bouger ou la manière dont la caméra doit changer. Les formats d’image documentés sont JPEG/JPG, PNG et WEBP, jusqu’à 20 Mo, avec les deux dimensions d’au moins 300 pixels et un rapport largeur/hauteur compris entre 1:2.5 et 2.5:1. La sortie se rapproche du palier de résolution choisi tout en conservant les proportions de l’image source. Un résultat portrait commence donc par une composition portrait adaptée plutôt que par une instruction de rapport sans lien.

La génération à partir de références accepte d’une à neuf images. Le prompt utilise [Image 1], [Image 2] et les positions suivantes pour les identifier dans l’ordre d’entrée. Précisez le rôle de chaque référence et nommez l’objet ou la personne concernés afin qu’une image de scène ne soit pas prise pour une source de personnage. Le guide de références accepte JPEG/JPG, PNG ou WEBP jusqu’à 20 Mo, exige un côté court d’au moins 400 pixels et recommande des références nettes en 720p ou plus. Évitez une référence fortement compressée dont les détails d’identification ont déjà disparu.

Pour une scène à plusieurs références, placez la personne d’une image dans la pièce d’une autre tout en conservant un manteau ou un produit fourni par une troisième. Décrivez l’interaction et la caméra dans le même brief. Le profil de références 1.1 met en avant la stabilité des sujets, le style de la scène et le mouvement cinématographique ; examinez le résultat réel pour l’identité souhaitée, les inscriptions du produit et l’emplacement spatial. Plusieurs images donnent davantage d’informations au brief, mais la revue doit toujours vérifier les caractéristiques transmises à la vidéo.

Le producteur indique des sorties 480p, 720p et 1080p pour les modes de génération 1.1, avec une durée entière de trois à quinze secondes et du MP4 à 24 images par seconde. La réponse API décrit un encodage H.264. La génération à partir de texte et de références propose notamment les formats 16:9, 9:16, 1:1, 4:3, 3:4, 4:5, 5:4, 9:21 et 21:9 ; la génération à partir d’une première image suit l’image d’entrée. Choisissez le format adapté à la destination et laissez de la place pour les légendes ou les éléments de mise en page ajoutés ensuite. Examinez le cadrage réel de la vidéo renvoyée aux dimensions de diffusion prévues.

La sortie de la famille de modèles comprend du son. Donnez à l’interprétation ou à l’atmosphère un rôle clair dans le brief et examinez tout dialogue, effet ou piste de fond avec l’image. Gardez le contenu parlé suffisamment court pour l’action et les pauses au lieu de comprimer un long script dans un bref plan. Vérifiez les mouvements de lèvres, l’attribution des voix et les mots réels lorsqu’il y a de la parole. L’acceptation d’une langue de prompt ne définit pas à elle seule une prononciation garantie ni une entrée de référence vocale distincte.

Le processus documenté du producteur est asynchrone : un identifiant de tâche suit le traitement et un résultat réussi fournit l’adresse de la vidéo. Le lien de résultat et les consultations de tâches sont documentés avec une période de validité de vingt-quatre heures. Conservez le clip terminé, les références et le prompt comme dossier de révision. Les guides documentent aussi des contrôles de seed et de filigrane. Un seed fixe peut aider à comparer, mais le producteur indique explicitement qu’il ne garantit pas de résultats identiques : jugez donc le fichier renvoyé au lieu de supposer qu’un réglage fixe chaque image.

HappyHorse 1.0 et 1.1 sont des éditions distinctes. Le tableau de sortie 1.1 ajoute la 480p aux options 720p et 1080p de la version 1.0, et les pages de modèles 1.1 décrivent des améliorations des détails, du mouvement et de la cohérence. Le profil de modification vidéo HappyHorse 1.0 nommé séparément a ses propres entrées et limites et ne constitue pas un mode de modification à attribuer implicitement à la version 1.1. Examinez tout le clip 1.1 pour l’identité, le mouvement, le cadrage, le texte et le son, puis apportez une correction précise en conservant les parties réussies du brief.