Alibaba: HappyHorse 1.1

Alibaba HappyHorse 1.1 est une édition de génération vidéo avec des profils nommés séparément pour la vidéo à partir de texte, d’une première image et de références. Le fabricant 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 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 vidéo 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 s’arrêtant près d’un café au bord d’une rivière pendant que la caméra avance doucement vers le vélo garé. Adaptez l’action à un court clip et décrivez le moment final. Le guide textuel actuel du fabricant autorise 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 que noyés dans des adjectifs répétés.

La vidéo à partir de la 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 évoluer. 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 de format compris entre 1:2.5 et 2.5:1. La sortie se rapproche du palier de résolution sélectionné 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 avec l’image.

La vidéo à partir de références accepte 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 concerné, afin qu’une image de scène ne soit pas prise pour une source de personnage. Le guide de référence accepte 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 nettes en 720p ou plus. Évitez une référence fortement compressée dont les détails d’identification ont déjà disparu.

Pour une scène avec 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, le style de la scène et le mouvement cinématographique ; examinez le résultat réel pour vérifier l’identité souhaitée, les marquages du produit et le placement spatial. Plusieurs images apportent davantage d’informations au brief, mais la revue doit tout de même vérifier quelles caractéristiques sont passées 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 textuelle et par 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 de la première image suit l’image d’entrée. Choisissez le format selon la destination et laissez de la place pour les légendes ou éléments de mise en page ultérieurs. Examinez le cadrage réel de la vidéo renvoyée à la taille d’affichage prévue.

La sortie de cette famille de modèles comprend le son. Donnez à l’interprétation ou à l’atmosphère un rôle clair dans le brief, puis vérifiez tout dialogue, effet ou fond musical avec l’image. Gardez la parole assez courte pour laisser place à l’action et aux pauses, au lieu de comprimer un long script dans un court plan. Vérifiez les mouvements des lèvres, l’attribution des voix et les mots réellement prononcés 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’adresse de la vidéo. Le lien de résultat et les requêtes de tâche sont documentés avec une validité de vingt-quatre heures. Conservez le clip terminé, les références et le prompt comme dossier de révision. Les guides documentent aussi les commandes de graine aléatoire et de filigrane. Une graine fixe peut faciliter les comparaisons, mais le fabricant précise expressément qu’elle ne garantit pas des résultats identiques ; jugez donc le livrable renvoyé au lieu de supposer qu’un réglage fixe chaque image.

HappyHorse 1.0 et 1.1 sont des éditions séparées. 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 de détail, de mouvement et de cohérence. Le profil de montage vidéo HappyHorse 1.0, nommé séparément, a ses propres entrées et limites et ne constitue pas un mode de montage à attribuer implicitement à la version 1.1. Vérifiez le clip 1.1 complet pour l’identité, le mouvement, le cadrage, le texte et le son, puis apportez une correction précise en conservant les parties réussies du brief.