HappyHorse 1.0 AI動画生成

HappyHorse 1.0は、150億パラメータの統合型セルフアテンションTransformerを採用した次世代AI動画生成モデルです。2026年4月時点のArtificial Analysis Video Arenaで、テキストから動画（T2V、Elo 1333）と画像から動画（I2V、Elo 1392）の両部門において同時に1位を獲得した初のAI動画モデルです。完全同期したネイティブ音声付きの最大10秒・1080p動画を、約32秒で生成します。

テキストから動画モードは、7言語の自然言語プロンプトに対応しています。作りたいシーン、登場人物、カメラワーク、照明、スタイルを文章で指定するだけです。40層の統合型セルフアテンションTransformerが、プロンプトと動画フレームのトークンを単一のシーケンスとして処理するため、複数人物のやり取りやアクション、幅広い表現スタイルにも指示を精度高く反映できます。生成結果はネイティブ音声付きの高品質MP4として、そのままダウンロードして公開できます。

大きな違いは3つあります。第一に、統合型アーキテクチャによってテキスト・画像・音声の隔たりをなくし、すべてを一度に処理することで、各素材の関係を深く理解します。第二に、映像と音声を同時生成するため、リップシンクやサウンドを後付けする必要がありません。第三に、約87％のマルチショット一貫性を実現し、カットが変わっても人物や画風を安定して保ちます。これは2026年時点で、公開モデルの中でも際立つ性能です。

はい。HappyHorse 1.0はArtificial Analysis Video ArenaのI2V部門で最高のEloスコア（1392）を獲得しています。商品写真、人物写真、イラスト、スクリーンショットなどの参照画像をアップロードすると、元画像の構図や被写体を保ちながら、物理法則に沿った自然な動きを加えます。歪み、人物の変化、ちらつきを抑え、任意の終了フレームを指定して動きの流れを細かく制御することもできます。

最大1080p・30FPSの出力に対応し、横長（16:9）、縦長（9:16）、正方形（1:1）からアスペクト比を選べます。1回の生成につき、動画の長さは2～15秒に設定できます。8ステップのCFGフリー推論では、10秒・1080pの動画を約32秒で生成します。Starterプランは720p出力まで、Basic、Plus、Professionalプランでは1080p出力を利用できます。

HappyHorse 1.0は、映像と同じ統合型セルフアテンションの処理内で音声をネイティブ生成します。後処理で音を付け足す方式ではないため、セリフ、環境音、効果音をフレーム単位で同期できます。標準中国語、広東語、英語、日本語、韓国語、ドイツ語、フランス語の7言語でネイティブなリップシンクに対応。外部の音声ツールや手作業による同期は不要で、書き出したMP4にはミックス済みの音声トラックが含まれます。

はい。JXPの新規ユーザーには登録時に無料体験クレジットが付与され、HappyHorse 1.0をはじめとする各モデルの動画生成に利用できます。開始時にクレジットカードは必要ありません。有料プランは、99クレジットのStarter（9.90ドル）から1,250クレジットのProfessional（99.90ドル）まで用意されています。クレジットはサブスクリプションではなく買い切りで、有効期限もありません。

標準中国語、広東語、英語、日本語、韓国語、ドイツ語、フランス語の7言語で、テキストプロンプトとネイティブ音声のリップシンクに対応しています。いずれかの言語でプロンプトを入力すると、言語や文化的なニュアンスを踏まえ、音声を含む動画を生成します。海外展開するブランドや、多言語コンテンツを制作するクリエイターにも適しています。