Alibaba: HappyHorse 1.1

Alibaba HappyHorse 1.1 est une édition de génération vidéo dotée de profils nommés séparément pour le texte en vidéo, l’image en vidéo à partir d’une première image et les références en vidéo. Le fabricant met l’accent sur l’amélioration des détails visuels, du mouvement, de l’identité des personnages entre les séquences, de la stabilité du texte et de la synchronisation audiovisuelle. Le résultat est une courte vidéo avec 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 précise ou plusieurs références visuelles.

Pour le texte en vidéo, 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 tandis que la caméra s’approche doucement du vélo stationné. Gardez l’action adaptée à une courte séquence et décrivez le moment final. Le guide texte actuel du fabricant permet jusqu’à 5 000 caractères non chinois ou 2 500 caractères chinois et tronque le texte excédentaire. Organisez le brief pour que son sujet et son action essentiels soient explicites plutôt qu’enfouis dans des adjectifs répétés.

La génération d’image en vidéo à partir d’une première image utilise exactement une image comme ouverture. Préparez le sujet, la composition et le recadrage souhaité dans cette image fixe, puis décrivez ce qui doit bouger ou comment la caméra doit changer. Les formats d’image documentés sont JPEG/JPG, PNG et WEBP, jusqu’à 20 Mo, avec deux dimensions d’au moins 300 pixels et un ratio 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 en portrait commence donc par une composition en portrait appropriée plutôt que par une instruction de ratio sans rapport.

La génération par 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 décor ne soit pas confondue avec une source de personnage. Le guide de référence accepte les fichiers JPEG/JPG, PNG ou WEBP jusqu’à 20 Mo, exige que le côté le plus court mesure au moins 400 pixels et recommande des références claires en 720p ou plus. Évitez une référence fortement compressée dont les détails d’identification sont déjà absents.

Pour une scène comportant 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 référence 1.1 souligne la stabilité des sujets, du style de scène et du mouvement cinématographique; inspectez le résultat réel pour vérifier l’identité voulue, les marques du produit et le placement spatial. Plusieurs images donnent plus d’information au brief, mais la vérification doit tout de même contrôler quelles caractéristiques ont été transférées dans la vidéo.

Le fabricant indique des sorties 480p, 720p et 1080p pour les modes de génération 1.1, avec une durée en secondes entières de trois à quinze et du MP4 à 24 images/s. La réponse de l’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 pour la destination et prévoyez de la place pour des sous-titres ou des éléments de mise en page ajoutés plus tard. Inspectez le cadrage réel de la vidéo renvoyée à la taille d’affichage prévue.

La sortie de cette famille de modèles comprend le son. Donnez un rôle clair à l’interprétation ou à l’atmosphère dans le brief, et vérifiez tout dialogue, effet ou piste de fond avec l’image. Gardez le contenu parlé assez court pour laisser place à l’action et aux pauses, au lieu de comprimer un long texte dans un seul plan court. Vérifiez le mouvement des lèvres, l’attribution des voix et les paroles exactes lorsqu’il y a de la parole. L’acceptation d’une langue de prompt ne définit pas en soi une prononciation garantie ni une entrée distincte de référence vocale.

Le processus documenté du fabricant est asynchrone : un identifiant de tâche suit le traitement, et un résultat réussi fournit l’emplacement de la vidéo. Le lien du résultat et les requêtes de tâche sont documentés avec une validité de vingt-quatre heures. Conservez la séquence terminée, les références et le prompt comme dossier de révision. Les guides documentent aussi les contrôles de seed et de filigrane. Un seed fixe peut aider à comparer les résultats, mais le fabricant précise expressément qu’il ne garantit pas des résultats identiques : jugez donc le résultat renvoyé plutôt que de supposer qu’un réglage corrige chaque image.

HappyHorse 1.0 et 1.1 sont des éditions distinctes. Le tableau de sortie 1.1 ajoute le 480p aux options 720p et 1080p de la version 1.0, et les pages des modèles 1.1 décrivent des améliorations des détails, du mouvement et de la cohérence. Le profil de montage vidéo HappyHorse 1.0, nommé séparément, a ses propres entrées et limites et ne doit pas être attribué silencieusement à la version 1.1 comme mode de montage. Vérifiez la séquence 1.1 complète pour l’identité, le mouvement, le cadrage, le texte et le son, puis formulez une correction précise tout en conservant les parties réussies du brief.