HappyHorse-1.0 è un modello di generazione video IA open-source all'avanguardia con 15 miliardi di parametri. È un Transformer unificato che genera simultaneamente video e audio sincronizzato da prompt testuali o immagini, offrendo una qualità cinematografica 1080p con lip-sync multilingua. Il modello utilizza un'architettura self-attention a 40 strati, con 4 strati specifici per modalità su ciascuna estremità e 32 strati condivisi, elaborando testo, video e audio esclusivamente tramite self-attention, senza bisogno di cross-attention. Questo design sostituisce la complessità multi-stream con una pipeline unificata. HappyHorse-1.0 supporta nativamente sei lingue (cinese, inglese, giapponese, coreano, tedesco e francese) con performance facciali espressive, coordinazione vocale naturale, movimenti realistici e un lip-sync preciso. Genera dialoghi, suoni ambientali e effetti Foley insieme ai fotogrammi video, eliminando il bisogno di doppiaggio in post-produzione. Il modello raggiunge la generazione in soli 8 passaggi di denoising senza classifier-free guidance, mantenendo una qualità eccellente a velocità record. HappyHorse-1.0 è attualmente leader nell'Artificial Analysis Text to Video Arena con un punteggio Elo di 1333.