HappyHorse 1.0 API で利用できる HappyHorse は、Alibaba ATH-AI による統合型マルチモーダル動画モデルです。HappyHorse は単一のフォワードパスで1080p動画と同期したネイティブ音声を生成し、7言語のリップシンクに対応、Artificial Analysis のテキスト→動画および画像→動画リーダーボードで1位を獲得しています。Happy Horse とも表記されるため、Happy Horse API と HappyHorse API は同じサービスです。本ページの HappyHorse 1.0 は、テキスト、最初のフレーム、参照画像からの動画生成とソース動画の編集に対応します。
Video link valid for 72 hours
隠れた費用のない透明な料金体系。使った分だけお支払い。
| モデル | プラン | ゴールド価格現在の価格 | プラチナ価格 | ダイヤモンド価格 | 公式価格 | 割引率 |
|---|---|---|---|---|---|---|
happyhorse-1.0 | 720P | 1.3Credits(~$0.13)/秒 | 1.235Credits(~$0.1235)/秒 | 1.17Credits(~$0.117)/秒 | 1.625Credits(~$0.1625)/秒 | 20% |
| 720P · EDIT | 1.3Credits(~$0.13)/秒 | 1.235Credits(~$0.1235)/秒 | 1.17Credits(~$0.117)/秒 | 1.625Credits(~$0.1625)/秒 | 20% | |
| 1080P | 2.3Credits(~$0.23)/秒 | 2.185Credits(~$0.2185)/秒 | 2.07Credits(~$0.207)/秒 | 2.875Credits(~$0.2875)/秒 | 20% | |
| 1080P · EDIT | 2.3Credits(~$0.23)/秒 | 2.185Credits(~$0.2185)/秒 | 2.07Credits(~$0.207)/秒 | 2.875Credits(~$0.2875)/秒 | 20% |
* 実際の費用は最終出力に基づきます。
Alibaba の HappyHorse は、ピクセルと音声を単一の Transformer に統合し、7言語にわたるサブピクセル精度のリップシンクで1080p動画を生成します。APIMart は HappyHorse API への統一アクセスを単一の API キーで提供します。
50K+
アクティブユーザー
99.9%
稼働率
2x
高速化
—
コスト削減
HappyHorse は、映像と音声をネイティブに共同生成する初の生成動画モデルです
ネイティブな音声・動画の共同生成が効果を発揮する HappyHorse の活用シナリオ
数ステップでネイティブ音声の AI 動画制作を開始できます
無料の APIMart アカウントを作成し、HappyHorse を使い始めましょう。チーム用の組織もいつでも作成できます。
アカウントに残高をチャージしてサービスを利用開始します。残高は HappyHorse を含むプラットフォーム上のすべてのモデルで共通利用できます。
ダッシュボードで API キーを作成し、HappyHorse へのリクエスト時の認証に使用します。ネイティブ音声 AI 動画にすぐアクセスできます。
世界中のクリエイターと開発者からのリアルなフィードバック。以下のレビューは従来の HappyHorse 1.0 の利用体験に関するものです。
“ネイティブ音声がすごい。最初の生成からセリフのリップシンクが合っていて、別の TTS パイプラインは要りません。”
Alex Morgan
クリエイティブディレクター
“HappyHorse でローカライズの時間が70%も短縮できました。1つのプロンプトから7言語の口元同期動画が一気に出ます。”
Sarah Kim
マーケティングマネージャー
“ネイティブ1080pでアップスケール由来のアーティファクトもなし。マルチショットの時系列的な一貫性が見事です。”
James Wilson
フルスタックエンジニア
“従来の動画プロバイダーから HappyHorse に切り替え、対話シーンの品質と同期精度がすぐに改善しました。”
Lisa Chen
StartupAI CTO
“インディー映画作家として、仮セリフ込みのストーリーボード可視化に HappyHorse が大いに役立っています。”
Marco Rivera
独立系映画制作者
“APIMart の統一 API 経由で HappyHorse を呼べるので、キーは1つで済みます。統合は1時間もかかりませんでした。”
Emily Zhang
DevOps エンジニア
APIMart で HappyHorse を使う前に知っておきたいこと
HappyHorse は Alibaba の ATH-AI 部門(Taobao および Tmall の Future Lifestyle Lab 発祥)が開発した生成動画モデルです。単一ストリームのマルチモーダル Transformer であり、1080p動画と同期したネイティブ音声を一度のフォワードパスで生成します。
はい。Happy Horse と HappyHorse は、Alibaba の同じ動画モデルの2通りの表記です。APIMart の Happy Horse API には HappyHorse 1.0(happyhorse-1.0)と HappyHorse 1.1(happyhorse-1.1)が含まれ、どちらも同じ APIMart API キーで呼び出せます。料金は生成動画の秒数単位で、このページの料金表のとおりです。
HappyHorse が受け取る主要パラメータ: model(happyhorse-1.0)、prompt(テキスト記述、最大2500文字)、resolution(720P または1080P、デフォルト1080P)、duration(クリップ長3〜15秒、デフォルト5秒)、size(16:9 / 9:16 / 1:1 / 4:3 / 3:4、テキスト・参照画像からの生成で有効)、任意の seed と watermark。first_frame_image は最初のフレームからの動画生成に使い、比率はその画像から決まります。image_urls は1〜9枚の参照画像からの生成に使います。EDIT では video_url に加え、最大5枚の参照画像と audio_setting(auto または origin)を指定できます。出力はソース動画に従い最大15秒に切り詰められ、duration は無効です。
多くの動画モデルはまず映像を生成し、別ステップで音声を追加します。HappyHorse は同一の Transformer 内で映像と音声を同時生成するため、サブピクセル精度のリップシンク、自然に整合した環境音、そしてはるかに説得力のある対話シーンを実現します。
HappyHorse は英語、中国語(普通話)、広東語、日本語、韓国語、ドイツ語、フランス語の7言語に対応します。選択した音声言語に基づいて、口形がサブピクセル精度で同期されます。
単一の NVIDIA H100 GPU 上で、HappyHorse はネイティブ1080pクリップを約38秒で生成します。HappyHorse は8ステップの DMD-2 サンプラーを採用し、classifier-free guidance を省略するため、30ステップ以上を要する拡散動画モデルに比べて大幅に高速です。
Artificial Analysis のブラインド評価において、HappyHorse はテキスト→動画(1333 Elo)と画像→動画(1392 Elo)の両方で1位を獲得しています。Sora 2 や Veo 3.1 との主な差別化要素はネイティブ音声の共同生成、Kling に対してはより強力な対話とリップシンクです。アクション重視のシーンでは依然として Kling が優勢な場面もあります。
両モデルは同じ API キーで呼び出せます。happyhorse-1.0 はテキストから動画、最初のフレームからの画像→動画、参照画像、そしてソース動画と音声設定による動画編集に対応します。happyhorse-1.1 はテキストから動画、画像から動画、参照画像に対応しますが、動画編集には対応していません。本ページの料金表には HappyHorse 1.0 の秒単位の料金を掲載しています。
本ページの料金セクションで最新の秒単価をご確認ください。APIMart にチャージすれば HappyHorse で動画生成を始められます。動画編集は選択した解像度の EDIT 料金とソース動画の長さで計算し、最大15秒分が課金対象です。
/v1/videos/generations に POST リクエストを送り、APIMart の API キー、モデル名 happyhorse-1.0、prompt を指定してください。詳細な統合例はドキュメントをご覧ください。
APIMartに登録し、ダッシュボードのAPI Keysページでキーを作成します。同じキーでAlibaba HappyHorse APIを含むプラットフォーム上のすべてのモデルを呼び出せます。従量課金で、サブスクリプションは不要です。
はい。HappyHorse APIは生成動画の秒数単位で課金されます。このページの料金表にはすべての仕様が掲載され、ゴールド会員価格(20%オフ)で表示されています。プラチナ・ダイヤモンド会員はさらにお得で、最大28%オフになります。課金は成功したリクエストのみです。
同じカテゴリの他のモデルを探す。

Wan 2.7
Wan-2.7 is Alibaba’s next-generation multimodal AI video model that generates high-quality videos from text prompts, images, or reference footage. It supports text-to-video, image-to-video, and instruction-based video editing, producing short clips (up to ~15 seconds) with 720p–1080p resolution, realistic motion, and strong character consistency. 

Wan 2.7 R2v
wan2.7‑r2v is the reference‑to‑video variant within Alibaba’s Wan 2.7 video generation model family. It uses one or more reference images or short clips as visual anchors and, combined with a text prompt, generates new video content that preserves the appearance and identity of characters or objects from the references while animating motion and scene direction. This makes it especially useful for consistent character representation, product showcases, brand assets, and creative workflows where visual continuity is important.

SkyReels V4 Fast
SkyReels-V4-Fast is the first unified framework for joint audiovisual generation, restoration, and editing at cinema-grade quality, efficiently achieving 1080p, 15-second multi-shot video generation with synchronized audio and visuals through a dual-stream MMDiT architecture
SkyReels V4 Std
SkyReels-V4-Fast is the first unified framework for joint audiovisual generation, restoration, and editing at cinema-grade quality, efficiently achieving 1080p, 15-second multi-shot video generation with synchronized audio and visuals through a dual-stream MMDiT architecture.