4月初、突如として「HappyHorse-1.0」というモデルが登場しました。このモデルはArtificial Analysisの動画リーダーボードで4部門を制覇し、ByteDanceのSeedance 2.0やKlingを大差で圧倒しました。
プレスリリースもブログ記事もなく、企業名も伏せられたままで、モデルページには単に「近日公開」とだけ記されていました。
4月10日、AlibabaのATH部門がこのプロジェクトを認めました。HappyHorseはATHのイノベーションユニットによる社内研究開発プロジェクトであり、現在はプライベートベータ版として運用されています。APIは4月30日に公開予定です。
さらに、HappyHorse-1.0は完全オープンソース化される予定です。音声と動画を同時にネイティブ生成できる初のオープンソース動画モデルとして注目を集めています。
こうした「静かなローンチ」の後に「派手な発表」を行う手法は、中国のAI企業の間でトレンドになりつつあります。Xiaomiはコードネーム「Hunter Alpha」で同様の手法を取り、Zhipuも新しいGLMモデルに「Pony Alpha」という名称を使用していました。
本稿では、HappyHorseに関して現在判明している事実と、それが持つ意味について解説します。
リーダーボードにおけるHappyHorseの立ち位置
Artificial Analysisは、「音声なしText-to-Video」「音声なしImage-to-Video」「音声ありText-to-Video」「音声ありImage-to-Video」の4つのリーダーボードを運営しています。
4月13日正午時点のデータは以下の通りです。
- Text-to-Video（音声なし）：1384 Elo。Seedance 2.0を111ポイント上回っています。
- Image-to-Video（音声なし）：1413 Elo。同プラットフォームで記録された最高スコアです。
Eloスコアにおいて60ポイント以上の差は明確な優位性を示します。111ポイントの差は、ブラインドテストにおいてユーザーが圧倒的にHappyHorseを選択したことを意味しています。
しかし、音声が含まれると状況は一変します。差はわずか1〜2ポイントにまで縮まり、事実上の引き分けとなります。これは、HappyHorseの視聴覚同期や音質が劇的に優れているわけではないことを示しています。この点では、Seedanceとほぼ同等です。
HappyHorseとSeedance 2.0の比較
| 項目 | HappyHorse-1.0 | Seedance 2.0 |
|---|---|---|
| モデルの性質 | オープンソース | クローズドな商用システム |
| アーキテクチャ | ユニファイドTransformer | 双方向拡散Transformer (DB-DiT) |
| マルチモーダル能力 | 同時音声/動画生成 (ワンパス) | マルチモーダル入力 (テキスト、画像、動画、音声) |
| 動画生成モード | ワンパス生成 | パイプラインベースの生成 |
| 動画生成時間 | 約5〜10秒 (1080p) | 最大約60秒 (2K) |
両者は異なる哲学を体現しています。
HappyHorse‑1.0：オープンソース。ユニファイドTransformer。同時音声/動画生成。ワンパス処理。7言語のネイティブ・リップシンクをサポート。150億パラメータ。H100環境で5秒間の1080p動画を38秒で生成可能。
Seedance 2.0：クローズドな商用システム。双方向拡散Transformer (DB‑DiT)。マルチモーダル入力。最大60秒の2K動画生成が可能。8言語以上のリップシンクをサポート。
純粋な視覚品質については、ブラインドテストでHappyHorseが明らかに好まれています。視聴覚同期と音質については両者ほぼ同等。使い勝手の面では、SeedanceはすでにVolcano Engineなどを通じて成熟したAPIを提供しています。HappyHorseのAPIは4月30日に公開予定であり、プライベートベータ版の性能は現在検証中です。
HappyHorse-1.0とDreamina Seedance 2.0の生成例比較（音声ありText-to-Video）Artificial Analysisより：
プロンプト：大きなレースのゴール地点のポールになることを夢見る、臆病な小さなカラーコーンについてのピクサー風短編アニメーション。他のコーンはそれを笑う。建設作業員が誤ってマラソン大会のゴール地点にそれを設置してしまう。ランナーが通り過ぎるにつれ、コーンの表情が恐怖から喜びに変わる。頭上から紙吹雪が舞い散る。テレビでそれを見た他のコーンたちは感動する。音声：交通騒音から歓声へ、そして高揚感のある音楽へ。
アーキテクチャについて
HappyHorseはユニークなアプローチをとっています。
150億パラメータを持ち、40層のユニファイド自己注意（Self-Attention）Transformerを使用しています。テキスト、動画、音声のトークンはすべて同一のシーケンスに入力され、統合的にモデル化されます。これは、「まず動画を生成し、その後に音声を付ける」という一般的なパイプラインとは大きく異なります。ここでは、音とシーンは最初から同じ意味空間に存在しています。
このモデルは、DMD-2蒸留とMagiCompilerによる完全グラフ最適化を使用しています。H100 GPU 1基で、5秒間の1080p動画を約38秒で生成します。
英語、北京語、広東語、日本語、韓国語、ドイツ語、フランス語の7言語におけるネイティブ・リップシンクに対応しています。単語誤り率（WER）は、オープンソースモデルの中でも最低水準です。
Artificial Analysisのブラインドテスト参加者は、HappyHorseは特にキャラクター描写に優れていると述べています。肌の質感や動きの滑らかさが秀逸です。テストサンプルの60%以上がポートレートやトークヘッド動画であったことが、このモデルをトップに押し上げた一因となりました。
一方で批判もあります。リークされた動画では、不自然な波紋、高速移動する被写体に見られる縞状のアーティファクト、大画面での画質低下などが指摘されています。
オープンソース化とアクセス計画
4月9日、HappyHorse‑1.0は完全オープンソース化されることを発表しました。GitHubリポジトリは公開済みで、重みデータは完全にオープンであり、商用制限もありません。
公式サイトでは、Text-to-VideoおよびImage-to-Videoのオンラインデモが提供されています。Alibaba ATHによると、APIは4月30日に一般公開される予定です。
ただし注意点として、公式チームによれば、オンラインに出回っている「公式サイト」のほとんどは偽物です。本物はまだ完全には稼働していません。
市場への影響と意義
HappyHorseは、OpenAIがSoraの開発を停止した2週間後に登場しました。この動きはAI動画分野の停滞の兆候とも見られていましたが、中国のモデルがそのバトンを引き継いだ形となります。
市場は素早く反応しました。この確認後、Alibabaの株価は7%以上急騰し、その後も上昇を続けました。4月10日の取引終了時点で、株価は3%以上上昇し126.6香港ドルとなりました。
戦略的なレベルで見ると、HappyHorseはATHがトップクラスのマルチモーダルモデルを構築できる第二のチームを擁していることを示しています。このチームはビジネスの背景を持ち、ユーザーのニーズと商用シナリオを理解しています。これにより、「通義実験室（基礎研究に集中）」と「イノベーションユニット（実際のビジネス課題からアプリケーションを構築）」という二重エンジン構造が生まれました。
タイムラインを見てみましょう。林俊陽が3月初旬に辞任し、3月16日にATHが設立されました。4月2日にはQwen 3.6 PlusがOpenRouterのグローバルコールボリュームで1位を獲得し、4月8日にはHappyHorseがArtificial Analysisのリストでトップになりました。わずか1ヶ月で、Alibabaは言語モデルと動画モデルの両方で強力な成果を上げました。
チームの背景：張迪とAlibaba ATH
HappyHorseの背後には、大物である張迪（Zhang Di）がいます。
彼はもともとKuaishouの副社長であり、Kling AIの技術リーダーを務めていました。「Klingの父」として知られています。彼は2025年11月にKuaishouを退社し、チーフサイエンティストの鄭波（Zheng Bo）の直属としてAlibabaの「Future Life Lab」の責任者に就任しました。
その5ヶ月後、彼のチームはHappyHorse‑1.0を構築し、KlingやByteDanceのSeedance 2.0を打ち負かしました。
このチームは当初、TaobaoのFuture Life Labの一部でしたが、Alibabaの最新の組織再編に伴い、ATHビジネスグループのAIイノベーションユニットに移管されました。
ATHは「Alibaba Token Hub」の略で、3月16日にCEOの呉泳銘（Wu Yongming）によって設立され、自ら率いています。その使命は「トークンの創造、提供、応用」であり、通義実験室、MaaS事業ライン、Qianwen部門、Wukong部門、およびAIイノベーションユニットを統合しています。
よくある質問
HappyHorseをローカルで動かすにはどのようなGPUが必要ですか？
このモデルは150億パラメータであり、決して小さくはありません。H100環境で、5秒間の1080p動画を生成するのに約38秒かかります。RTX 4090（VRAM 24GB）のようなコンシューマー向けGPUでは、量子化やオフロードが必要です。FP16推論では24GBを超える可能性が高いです。一部のユーザーは4bit量子化での成功を報告していますが、品質は低下します。本格的に利用する場合は、40GB以上のVRAMを備えたクラウドGPUが推奨されます。あるいは、4月30日のAPI公開を待つのが賢明です。
HappyHorseを自分のデータでファインチューニングできますか？
はい、ライセンスの範囲内で可能です。商用利用の制限はありません。ただし、150億パラメータの動画モデルをファインチューニングするのは容易ではありません。H100やA100のクラスター、大量の動画音声ペアデータ、そしてかなりのエンジニアリングリソースが必要です。現在、GitHubリポジトリにはファインチューニングのスクリプトは含まれておらず、推論のみをサポートしています。チームは将来的に学習コードを公開することを示唆していますが、具体的な日付は決まっていません。
DiscordやWeChatのコミュニティグループはありますか？
存在しますが、非公式です。いくつかのAIコミュニティがDiscordやWeChatでスレッドを立ち上げています。公式チームはまだ正式なコミュニティチャンネルを開設していません。グループに参加する場合は、偽のリンクやフィッシング詐欺に注意してください。最新情報はGitHubリポジトリとAlibaba ATHの公式発表を確認するのが最善です。
このモデルはHugging Faceで利用できますか？
現時点では利用できません。チームはHugging Faceでの公開に向けて取り組んでいると述べていますが、まだ完了していません。現在、重みデータはGitHub上にしかありません。コミュニティメンバーが変換済みのチェックポイントをHugging Faceにアップロードし始めていますが、これらは非公式です。安全のため、公式のHugging Faceページが登場するまではGitHubソースを使用してください。
