HappyHorse-1.0は、150億パラメータを誇る最先端のオープンソースAI動画生成モデルです。テキストや画像プロンプトから、高品質な1080p動画と同期された音声を同時に生成する統合型Transformerであり、多言語リップシンクにも対応しています。 40層のセルフアテンション構造を持ち、各端に4つのモダリティ専用層、中央に32の共有層を配置。クロスアテンションを必要とせず、テキスト、動画、音声をセルフアテンションのみで処理する効率的なパイプラインを実現しました。 日本語、中国語、英語、韓国語、ドイツ語、フランス語の6言語をネイティブサポートし、表情豊かなパフォーマンスと自然な発話、リアルな身体動作を可能にします。ダイアログや環境音、フォーリー効果も同時に生成されるため、後編集でのダビングは不要です。分類器なしのガイダンスでわずか8ステップのデノイジングにより、高速かつ高品質な生成を実現。現在、Artificial AnalysisのText to Video ArenaでEloスコア1333を記録し、トップを走っています。