HappyHorse 1.0 : le mystérieux modèle vidéo IA d'Alibaba qui a dominé tous les benchmarks

Le 7 avril 2026, un modèle sans nom est apparu sur le classement de l'Artificial Analysis Video Arena, sans annonce, sans équipe identifiée et sans poids publics. En quelques jours, il s'est hissé au premier rang en Text-to-Video et en Image-to-Video. Puis Alibaba s'est dévoilé.

Le modèle anonyme qui a bouleversé le classement

Le secteur de la vidéo IA a un problème de classement. Quand un laboratoire réputé soumet un modèle, les votes de la communauté peuvent être biaisés par la seule notoriété de la marque. Les gens votent autant pour le nom que pour le résultat. C'est un phénomène qui affecte les benchmarks des grands modèles de langage depuis des années.

Le 7 avril 2026, quelqu'un a décidé de contourner ce problème de front. Un modèle vidéo IA est apparu sur le classement de l'Artificial Analysis Video Arena sous un nom que personne ne reconnaissait : HappyHorse. Aucun communiqué de presse. Aucun logo d'entreprise. Aucun laboratoire de recherche associé. Seulement des résultats bruts soumis à une évaluation humaine en aveugle.

En 48 heures, HappyHorse a grimpé en tête du classement Text-to-Video avec un score Elo de 1389 — soit 115 points d'avance sur Seedance 2.0, le précédent leader. En Image-to-Video, il a affiché un Elo de 1416, là encore en première position. L'écart n'était pas marginal. C'était une avance décisive dans les deux catégories.

La communauté IA a fait ce qu'elle fait toujours : spéculer. S'agissait-il de Google DeepMind testant quelque chose ? D'une startup inconnue ? D'un projet open source qui s'entraînait discrètement depuis des mois ?

Les 9 et 10 avril 2026, un compte X (anciennement Twitter) fraîchement créé a livré la réponse. HappyHorse 1.0 avait été construit par l'ATH AI Innovation Unit d'Alibaba, une nouvelle division dirigée par un nom qui expliquait immédiatement la qualité du modèle : Zhang Di, ancien vice-président de Kuaishou et architecte de Kling AI.

L'homme qui avait bâti Kling avait discrètement conçu son successeur.

Une genèse spectaculaire : de Kling AI à HappyHorse

Pour comprendre pourquoi HappyHorse compte, il faut savoir qui l'a construit et pourquoi cette personne a quitté son entreprise précédente pour le faire.

Zhang Di : le nom le plus important de la vidéo IA chinoise

Zhang Di occupait le poste de vice-président de Kuaishou, l'une des plus grandes plateformes de vidéo courte en Chine (comparable au concurrent national de TikTok). Chez Kuaishou, il a dirigé le développement de Kling AI, qui est devenu l'un des systèmes de génération vidéo IA les plus performants au monde. Kling se classait régulièrement en tête ou près du sommet des benchmarks publics et était largement considéré comme le meilleur modèle vidéo IA chinois pendant la majeure partie de 2025.

Puis, fin 2025, Zhang Di a quitté Kuaishou.

Il a rejoint le groupe Alibaba pour diriger le Taotian Future Life Lab, une division R&D rattachée à la branche e-commerce d'Alibaba. Ce transfert était significatif mais a reçu une couverture limitée dans les médias occidentaux. Dans les cercles technologiques chinois, en revanche, il a été perçu comme une acquisition majeure de talent. Alibaba ne recrutait pas simplement un dirigeant — l'entreprise s'offrait la personne qui avait construit le meilleur système vidéo IA de Chine.

La révélation anonyme

La décision de soumettre HappyHorse anonymement au Video Arena était délibérée. En supprimant la marque Alibaba, l'équipe de Zhang Di s'est assurée que les performances du modèle seraient évaluées uniquement sur la qualité des résultats. Aucun effet de halo. Aucun biais préexistant pour ou contre les capacités IA d'Alibaba.

Quand le compte X @AthAI_Official a confirmé le lien les 9 et 10 avril, la révélation a eu d'autant plus d'impact que les résultats étaient déjà inscrits au tableau. HappyHorse n'avait pas été annoncé puis testé. Il avait été testé, avait dominé, puis avait été revendiqué.

Le message stratégique était clair : cette équipe est capable de construire un modèle qui bat tous les concurrents en évaluation à l'aveugle, et elle l'a fait en environ quatre mois depuis la création de l'unité.

L'ATH AI Innovation Unit

L'ATH AI Innovation Unit semble être une division relativement nouvelle au sein d'Alibaba, distincte du laboratoire IA Tongyi (Qwen) existant. Les détails sur la structure de cette unité sont limités, mais les capacités du modèle laissent penser à une équipe bien dotée en ressources et disposant d'une expertise approfondie dans les architectures de génération vidéo. Le nom « ATH » n'a pas été publiquement expliqué par Alibaba, bien qu'il pourrait faire référence à « Alibaba Taotian Holdings », la filiale e-commerce sous laquelle opère le Taotian Future Life Lab.

Architecture technique : ce qui distingue HappyHorse

HappyHorse 1.0 n'est pas simplement une version plus grande des modèles vidéo existants. Son architecture représente une rupture significative par rapport aux pipelines multi-étapes utilisés par la plupart des systèmes vidéo IA actuels.

Spécifications principales

• Paramètres : 15 milliards
• Architecture : Transformer unifié à 40 couches d'auto-attention
• Conception : Architecture à flux unique (vidéo + audio générés conjointement en une seule passe)
• Résolution : Sortie native en 1080p HD
• Vitesse de génération : Environ 38 secondes pour un clip 1080p sur un seul GPU H100

Génération unifiée à flux unique

La plupart des modèles vidéo IA existants qui gèrent à la fois la vidéo et l'audio le font avec des modules séparés. Un réseau de génération vidéo produit les images, et un modèle audio distinct — utilisant souvent des mécanismes d'attention croisée — génère le son correspondant. Cette approche multi-étapes introduit de la latence, des artefacts de synchronisation et des erreurs cumulatives entre les flux visuels et audio.

HappyHorse adopte une approche fondamentalement différente. Son architecture à flux unique génère la vidéo et l'audio conjointement dans la même passe à travers un Transformer unifié de 40 couches d'auto-attention. Il n'y a pas de modules d'attention croisée reliant des sous-réseaux visuels et audio séparés. Les deux modalités partagent les mêmes couches d'attention, ce qui permet au modèle d'apprendre des représentations conjointes de la relation entre contenu visuel et son.

Le résultat concret : les mouvements des lèvres, les sons ambiants, la musique et les effets de bruitage sont générés en parfaite synchronisation car ils émergent du même processus computationnel, et non de deux systèmes distincts cherchant à rester alignés.

15 milliards de paramètres en contexte

Avec 15 milliards de paramètres, HappyHorse n'est pas le plus grand modèle vidéo existant — certains concurrents dépassent les 30 milliards de paramètres — mais ses performances suggèrent que l'efficacité architecturale compte davantage que la taille brute. La conception unifiée à flux unique réduit probablement les calculs redondants que transportent les systèmes multi-modules. La profondeur de 40 couches offre une capacité de représentation suffisante pour la modélisation conjointe audio-vidéo sans la surcharge liée au maintien de chemins d'attention séparés.

À titre de référence, le temps de génération d'environ 38 secondes pour un clip 1080p sur un seul GPU H100 est compétitif. De nombreux modèles comparables nécessitent plusieurs GPU ou des temps de génération nettement plus longs pour produire une sortie de résolution équivalente.

Capacités clés : ce que HappyHorse sait réellement faire

Les scores Elo des benchmarks indiquent qu'un modèle remporte les comparaisons à l'aveugle. Ils ne disent pas dans quoi le modèle excelle précisément. Sur la base des démonstrations disponibles et des informations techniques communiquées par l'équipe ATH AI, voici ce que HappyHorse 1.0 propose.

Génération audio-vidéo unifiée

C'est la fonctionnalité phare de HappyHorse et celle qui a le plus de chances de compter commercialement. En une seule passe de génération, le modèle produit :

• Dialogues avec synchronisation labiale précise — Les personnages parlent avec des mouvements de bouche qui correspondent à la forme d'onde audio au niveau des phonèmes, et non de simples mouvements de mâchoire approximatifs
• Sons ambiants — Audio environnemental adapté à la scène (rues de ville, nature, espaces intérieurs) généré de manière contextuelle
• Musique — Musique de fond qui correspond à l'ambiance et au rythme du contenu visuel
• Effets de bruitage (Foley) — Effets sonores liés aux actions à l'écran (pas, portes qui se ferment, interactions avec des objets) synchronisés avec les événements visuels

Tout cela se fait en une seule passe. Aucun pipeline audio en post-production. Aucun système de synthèse vocale ajouté après coup. Les implications pour les flux de production sont considérables : ce qui nécessite normalement un modèle vidéo, un système de synthèse vocale, une bibliothèque de bruitage et un ingénieur du son est condensé en une seule étape de génération.

Synchronisation labiale multilingue

HappyHorse prend en charge les dialogues avec synchronisation labiale dans sept langues : anglais, mandarin, cantonais, japonais, coréen, allemand et français. L'équipe revendique un taux d'erreur « ultra-faible » pour la synchronisation labiale dans toutes ces langues, ce qui signifie que les mouvements visuels de la bouche ne sont pas simplement génériques mais modélisés pour correspondre aux schémas phonétiques spécifiques de chaque langue.

C'est un défi technique de taille car les différentes langues présentent des formes de bouche radicalement différentes pour les sons courants. La structure tonale du mandarin implique des positions de lèvres et de mâchoire différentes des groupes consonantiques de l'anglais. Le syllabaire japonais produit des schémas d'articulation différents du flux riche en liaisons du français. Un modèle qui gère tout cela dans une architecture unique représente une prouesse non négligeable.

Cohérence des personnages et préservation de l'environnement

L'une des faiblesses persistantes des modèles vidéo IA est le maintien d'une apparence cohérente des personnages d'une image à l'autre et d'une scène à l'autre. Le visage d'un personnage peut subtilement changer, la couleur des vêtements peut varier entre les plans, ou les détails environnementaux peuvent dériver. HappyHorse semble gérer la cohérence des personnages à un niveau qui rend les applications pratiques viables :

• Animation de concept art — Fournir une illustration statique d'un personnage et générer une vidéo de ce personnage en mouvement tout en préservant le style artistique original
• Animation de portrait — Animer une photographie fixe en vidéo parlante ou en mouvement tout en conservant l'identité faciale
• Animation de photos produit — Prendre une image statique de produit et générer une vidéo montrant le produit en cours d'utilisation, sous différents angles ou dans des environnements contextuels

Vitesse de génération

HappyHorse génère ses résultats en environ 10 secondes en moyenne, ce qui en fait l'un des modèles les plus rapides de cette catégorie de qualité. À titre de comparaison, certains modèles concurrents de qualité similaire prennent entre 30 et 90 secondes par génération. La vitesse compte pour les flux de travail créatifs itératifs où les utilisateurs génèrent plusieurs variantes avant de sélectionner un résultat final.

Modes pris en charge

• Text-to-Video — Générer une vidéo à partir d'une description textuelle
• Image-to-Video — Animer une image statique en vidéo
• Génération audio — Dialogues, musique, sons ambiants et effets de bruitage générés conjointement avec la vidéo

Performances aux benchmarks : les chiffres en détail

L'Artificial Analysis Video Arena utilise l'évaluation humaine à l'aveugle pour classer les modèles vidéo IA. Les utilisateurs voient côte à côte les résultats de deux modèles anonymes et choisissent celui qu'ils préfèrent. Les résultats sont convertis en scores Elo — le même système utilisé aux échecs — où un score plus élevé indique qu'un modèle l'emporte plus fréquemment dans les comparaisons directes.

Voici les performances de HappyHorse 1.0 à la mi-avril 2026.

Text-to-Video (sans audio)

Un écart de 115 points Elo dans une évaluation humaine à l'aveugle est considérable. En termes d'échecs, c'est à peu près la différence entre un bon joueur de club et un champion régional. Cela signifie que HappyHorse remporte la majorité des comparaisons visuelles directes contre tous les autres modèles du classement avec une large marge.

Image-to-Video (sans audio)

L'avance en Image-to-Video est encore plus nette. Un Elo de 1416 est le score le plus élevé jamais atteint par un modèle sur ce classement. L'Image-to-Video est sans doute le mode le plus important commercialement car il permet aux utilisateurs d'animer des ressources existantes — photos de produits, concept art, storyboards — plutôt que de tout générer à partir de texte.

Text-to-Video (avec audio)

Un écart de 5 points à ces volumes d'échantillons se situe dans la marge d'erreur. C'est un match nul statistique. Les deux modèles produisent des résultats audio-visuels que les évaluateurs humains jugent également convaincants.

Image-to-Video (avec audio)

HappyHorse et Seedance 2.0 sont à 2 points Elo l'un de l'autre dans cette catégorie — encore un match nul statistique. Aucun des deux modèles ne possède d'avantage significatif lorsque la qualité audio est prise en compte dans l'évaluation.

Ce que révèlent les benchmarks

La tendance est claire : HappyHorse domine en qualité visuelle pure avec des avances décisives en T2V et I2V sans audio. Quand l'audio est ajouté à l'évaluation, Seedance 2.0 comble l'écart jusqu'au match nul statistique, ce qui suggère que Seedance pourrait avoir un léger avantage en qualité audio ou en synchronisation audio-visuelle qui compense l'avance visuelle de HappyHorse.

Pour les utilisateurs qui ont principalement besoin de sorties visuelles (et ajouteront l'audio séparément ou n'en ont pas besoin), HappyHorse est le leader incontestable. Pour ceux qui ont besoin de sorties audio-vidéo intégrées, les deux modèles sont effectivement équivalents sur les benchmarks actuels.

HappyHorse 1.0 vs Seedance 2.0 vs Kling 3.0 : comparaison directe

L'ironie de cette comparaison est frappante. Zhang Di a construit Kling chez Kuaishou. Il est parti. Il a construit HappyHorse chez Alibaba. Et maintenant, HappyHorse surpasse le modèle qu'il avait créé à l'origine. C'est l'équivalent IA d'un entraîneur qui quitte une équipe championne, rejoint un rival et remporte immédiatement un titre encore plus prestigieux.

Le facteur Zhang Di

L'élément le plus frappant de cette comparaison est le transfert de talent. Zhang Di a passé des années chez Kuaishou à construire Kling pour en faire un système vidéo IA de premier plan. Il en connaissait intimement l'architecture, en comprenait les limites et avait probablement des idées pour construire quelque chose de meilleur que la structure organisationnelle ou les priorités stratégiques de Kuaishou ne lui permettaient pas de concrétiser.

Chez Alibaba, avec des ressources fraîches et le mandat de construire quelque chose de nouveau, il semble avoir fait exactement cela. L'architecture unifiée à flux unique qui définit HappyHorse est une rupture philosophique avec l'approche de Kling, ce qui suggère que les idées de nouvelle génération de Zhang Di nécessitaient une conception de zéro plutôt que des améliorations incrémentales de la base de code de Kling.

Ce schéma — un leader technique clé quittant un laboratoire IA pour construire un système supérieur chez un concurrent — devient une dynamique caractéristique de l'industrie chinoise de la vidéo IA. Il reflète des flux de talents similaires dans la Silicon Valley, mais se produit à un rythme plus soutenu et avec des conséquences concurrentielles plus immédiates.

Trois modèles chinois au sommet

Un fait qui mérite d'être énoncé clairement : les trois premiers modèles du classement de l'Artificial Analysis Video Arena sont tous issus d'entreprises chinoises. HappyHorse (Alibaba), Seedance 2.0 (ByteDance) et Kling 3.0 (Kuaishou) occupent respectivement les première, deuxième et troisième positions. Aucun modèle occidental ne figure actuellement dans le top trois en Text-to-Video ou en Image-to-Video sur ce benchmark.

Cela ne signifie pas que les laboratoires occidentaux ne produisent pas de modèles vidéo performants — Veo 2 de Google, Sora d'OpenAI et Gen-4 de Runway possèdent tous des capacités notables. Mais en termes de classement par préférence humaine en aveugle, le classement actuel appartient aux laboratoires IA chinois.

Open source et disponibilité : l'écart entre les annonces et la réalité

HappyHorse 1.0 a été décrit comme un modèle open source. Cependant, au 20 avril 2026, la réalité ne correspond pas à cette affirmation.

Ce qui a été publié

• Poids publics : Non disponibles. Aucun checkpoint de modèle téléchargeable n'a été publié sur aucune plateforme (HuggingFace, ModelScope ou téléchargement direct).
• Dépôt GitHub : Un dépôt existe mais affiche le statut « coming soon » sans code source ni fichiers de modèle.
• Article technique : Aucun article évalué par les pairs ni rapport technique détaillé n'a été publié. Les détails techniques disponibles proviennent de publications sur les réseaux sociaux et de communications limitées de l'équipe ATH AI.
• Accès API : Pas encore disponible pour le grand public.

Ce qui arrive

• fal.ai dispose d'une page dédiée à HappyHorse confirmant que le modèle sera disponible « prochainement, fin avril 2026 ». fal.ai est une plateforme d'inférence reconnue qui fournit un accès API à divers modèles IA, ce qui en fait un indicateur crédible de disponibilité à court terme.
• Atlas Cloud préparerait également un accès API pour HappyHorse, bien qu'aucune date de lancement spécifique n'ait été confirmée.
• L'équipe ATH AI a indiqué que les poids open source seraient publiés, mais aucun calendrier n'a été fixé.

La question de l'« open source »

Le terme « open source » dans l'industrie de l'IA est devenu de plus en plus ambigu. Certains modèles publient l'intégralité de leurs poids sous des licences permissives (véritablement open source). D'autres publient les poids sous des licences commerciales restrictives (poids ouverts mais pas open source au sens traditionnel). D'autres encore annoncent des intentions open source mais retardent ou ne concrétisent jamais.

HappyHorse se situe actuellement dans cette dernière catégorie : l'intention a été exprimée, mais aucun poids ni code n'a été publié. C'est un point à suivre plutôt qu'à célébrer. Si et quand les poids seront publiés, les conditions de licence détermineront si HappyHorse est véritablement open source ou simplement à poids ouverts avec des restrictions commerciales.

En pratique, la voie la plus probable à court terme pour utiliser HappyHorse passera par des fournisseurs d'API hébergés comme fal.ai et Atlas Cloud. La tarification n'a pas été annoncée, mais compte tenu de la dynamique concurrentielle sur le marché des API vidéo IA, elle sera probablement alignée sur les endpoints de Seedance 2.0 et Kling 3.0.

Ce que cela signifie pour le paysage de la vidéo IA

L'émergence de HappyHorse 1.0 a des implications qui dépassent le simple fait qu'un modèle arrive en tête d'un classement.

L'accélération de la vidéo IA chinoise

Il y a douze mois, la conversation autour de la vidéo IA tournait autour de l'annonce de Sora, du Gen-3 de Runway et des itérations rapides de Pika. Les modèles chinois existaient mais étaient généralement considérés comme compétitifs plutôt que dominants. Cette dynamique s'est inversée. En avril 2026, les modèles chinois occupent les premières positions dans tous les grands benchmarks de génération vidéo, et l'écart se creuse au lieu de se réduire.

Le rythme est particulièrement notable. HappyHorse est passé de la formation de l'équipe (fin 2025) à la première place du classement (avril 2026) en environ quatre mois. Ce délai suggère soit une vélocité d'ingénierie extraordinaire, soit un transfert significatif de recherches antérieures issues des travaux précédents de Zhang Di, soit les deux.

Le talent comme variable critique

L'histoire de HappyHorse souligne une réalité que l'industrie de l'IA sous-estime parfois : les modèles sont construits par des personnes, et le mouvement de leaders techniques clés peut remodeler les dynamiques concurrentielles plus rapidement que n'importe quelle augmentation de puissance de calcul.

Le transfert de Zhang Di de Kuaishou vers Alibaba n'est pas un cas isolé. Le secteur chinois de la vidéo IA a connu un flux de talents accéléré entre les grandes entreprises technologiques, les startups et les laboratoires universitaires. Chaque transfert emporte avec lui des connaissances institutionnelles, des intuitions architecturales et les leçons tirées d'échecs précédents. Le résultat est un écosystème concurrentiel où aucune entreprise ne peut maintenir une avance durable car les personnes qui ont créé cette avance pourraient partir et construire quelque chose de meilleur.

Pour les laboratoires IA occidentaux, cette dynamique pose un défi stratégique. L'écosystème chinois de la vidéo IA n'est pas un concurrent unique à surveiller — c'est un marché de talents où des capacités de rupture peuvent émerger de directions inattendues à tout moment.

L'architecture unifiée comme nouveau standard

L'architecture unifiée à flux unique de HappyHorse pour la génération conjointe audio-vidéo pourrait marquer le début d'un virage architectural plus large. Si l'approche se révèle robuste à mesure que davantage d'utilisateurs testent le modèle, elle pourrait établir un nouveau standard que les autres laboratoires devront atteindre. Les pipelines multi-modules avec des étapes audio et vidéo séparées pourraient de plus en plus ressembler à des architectures héritées.

Cela a des implications pratiques pour l'efficacité des modèles. Un seul modèle unifié est plus simple à déployer, nécessite moins d'infrastructure et évite les problèmes de synchronisation qui affligent les systèmes multi-étapes. Pour les fournisseurs d'API et les plateformes cloud, un modèle unifié est plus rentable à servir.

Le facteur vitesse

Le temps de génération moyen d'environ 10 secondes de HappyHorse mérite d'être souligné. Une génération rapide n'est pas qu'un simple confort — elle change fondamentalement la façon dont les gens interagissent avec les outils vidéo IA. À 10 secondes par génération, les utilisateurs peuvent itérer rapidement : générer un clip, l'évaluer, ajuster le prompt et regénérer. À 60-90 secondes par génération, chaque itération ressemble à un engagement, et les utilisateurs sont moins enclins à explorer des variations créatives.

La vitesse compte aussi pour les applications commerciales. La génération vidéo en temps réel ou quasi temps réel ouvre des cas d'usage dans la production de contenu en direct, les expériences interactives et la vidéo personnalisée à grande échelle qui sont impraticables à des vitesses de génération plus lentes.

Ce que nous surveillons chez Genra

Chez Genra, nous suivons chaque sortie majeure de modèle vidéo IA car notre pipeline multi-modèles est conçu pour diriger chaque demande de génération vers le meilleur modèle disponible pour cette tâche spécifique. Les performances de HappyHorse 1.0 en qualité visuelle sont impressionnantes, et nous prévoyons de l'intégrer dans notre pipeline dès que l'accès API sera disponible via fal.ai ou d'autres fournisseurs.

La capacité de génération audio-vidéo unifiée est particulièrement intéressante pour nos utilisateurs qui ont besoin d'une sortie vidéo complète avec son en une seule étape de travail. Si la qualité audio de HappyHorse se maintient en utilisation de production aussi bien que dans les benchmarks, cela pourrait réduire le nombre d'étapes nécessaires dans le pipeline pour de nombreuses tâches courantes de génération vidéo.

Points clés à retenir

• HappyHorse 1.0 est le modèle vidéo IA le mieux classé sur l'Artificial Analysis Video Arena, occupant la 1re place en Text-to-Video (Elo 1389) et en Image-to-Video (Elo 1416) sans audio. Avec audio, il fait match nul statistique avec Seedance 2.0 dans les deux catégories.
• Construit par l'ATH AI Innovation Unit d'Alibaba, dirigée par Zhang Di — l'ancien vice-président de Kuaishou qui a créé Kling AI. Le modèle est passé de la formation de l'équipe au 1er rang en environ quatre mois.
• 15 milliards de paramètres avec une architecture unifiée à flux unique qui génère vidéo et audio conjointement en une seule passe. Aucun module d'attention croisée entre des sous-réseaux audio et vidéo séparés.
• 1080p natif avec une vitesse de génération d'environ 10 secondes, ce qui en fait l'un des modèles les plus rapides de sa catégorie. Prend en charge la synchronisation labiale en 7 langues : anglais, mandarin, cantonais, japonais, coréen, allemand et français.
• Les revendications open source restent non vérifiées — aucun poids public, aucun modèle téléchargeable, aucun code publié. Accès API attendu via fal.ai et Atlas Cloud fin avril 2026.
• Trois modèles chinois dominent désormais tous les grands benchmarks : HappyHorse (Alibaba), Seedance 2.0 (ByteDance) et Kling 3.0 (Kuaishou). Le flux de talents entre ces entreprises accélère le développement concurrentiel.
• L'architecture unifiée audio-vidéo pourrait établir un nouveau standard qui poussera les concurrents à abandonner les pipelines multi-étapes au profit de la génération conjointe dans un modèle unique.

Foire aux questions

Qu'est-ce que HappyHorse 1.0 ?

HappyHorse 1.0 est un modèle de génération vidéo IA construit par l'ATH AI Innovation Unit d'Alibaba. C'est un Transformer unifié de 15 milliards de paramètres qui génère vidéo et audio conjointement en une seule passe. Il occupe actuellement la 1re place de l'Artificial Analysis Video Arena en Text-to-Video (Elo 1389) et en Image-to-Video (Elo 1416).

Qui a construit HappyHorse 1.0 ?

HappyHorse a été développé par l'ATH AI Innovation Unit au sein du groupe Alibaba. L'équipe est dirigée par Zhang Di, qui occupait précédemment le poste de vice-président de Kuaishou et était le leader technique derrière Kling AI. Il a rejoint Alibaba fin 2025 pour diriger le Taotian Future Life Lab.

HappyHorse 1.0 est-il open source ?

L'équipe a exprimé son intention de rendre le modèle open source, mais au 20 avril 2026, aucun poids public, code source ou fichier de modèle téléchargeable n'a été publié. Le dépôt GitHub affiche le statut « coming soon ». Le premier accès disponible est attendu via des fournisseurs d'API comme fal.ai fin avril 2026.

Comment HappyHorse se compare-t-il à Seedance 2.0 ?

HappyHorse devance Seedance 2.0 avec une marge significative dans les benchmarks purement visuels : 115 points Elo d'avance en Text-to-Video et environ 116 points en Image-to-Video. Quand l'audio est inclus dans l'évaluation, les deux modèles sont en match nul statistique (à 2-5 points Elo près), ce qui suggère que Seedance possède une qualité audio compétitive voire légèrement supérieure.

Quelle est la vitesse de génération de HappyHorse 1.0 ?

HappyHorse génère ses résultats en environ 10 secondes en moyenne, ce qui en fait l'un des modèles les plus rapides de sa catégorie. Un clip 1080p prend environ 38 secondes sur un seul GPU H100. Cette vitesse permet une itération rapide lors des flux de travail créatifs.

Quelles langues HappyHorse prend-il en charge pour la synchronisation labiale ?

HappyHorse prend en charge les dialogues avec synchronisation labiale dans sept langues : anglais, mandarin, cantonais, japonais, coréen, allemand et français. Le modèle génère des mouvements de bouche précis au niveau des phonèmes pour chaque langue plutôt que des approximations génériques.

Quand HappyHorse 1.0 sera-t-il disponible ?

L'accès API est attendu fin avril 2026 via des plateformes d'inférence comme fal.ai et Atlas Cloud. Aucune tarification confirmée n'a été annoncée. La publication des poids open source a été mentionnée mais sans calendrier confirmé.

Pourquoi HappyHorse a-t-il été lancé anonymement ?

L'équipe ATH AI a soumis HappyHorse à l'Artificial Analysis Video Arena sans identifier Alibaba comme développeur. Cela a garanti que le modèle soit évalué uniquement sur la qualité de ses résultats dans des comparaisons humaines à l'aveugle, sans que le biais de marque influence les préférences des votants. Alibaba a révélé le lien environ 2-3 jours après la soumission initiale, alors que le modèle avait déjà atteint les premières places.