Co potrafi HappyHorse 1.1: 7 moich klipów i polecenia

👁 118 przeczytań

Zrobiłem 7 klipów modelem HappyHorse 1.1 przez OpenRouter, każdy 5 s w 720p za 0,494 USD. Trzy wyszły bardzo dobrze (8,5/10): ta sama postać po cięciu, angielski dialog i obraz na wideo z kubkiem. Dwa wyraźnie przegrały: polski napis na tablicy (3/10) i polska mowa (4,5/10). Poniżej każdy klip z dokładnym poleceniem i oceną. Ranking, ceny i dostępność są w przewodniku HappyHorse 1.1.

Jak robiłem test

Wszystkie klipy powstały 11 października 2026 przez API OpenRoutera (alibaba/happyhorse-1.1), w 720p, 16:9, 5 sekund, z tym samym seedem 20261008. Generacja trwała 96-112 sekund na klip. Każdy plik ma 1280×720, 24 klatki na sekundę i ścieżkę dźwiękową. Pięć pierwszych scen to dokładnie te same polecenia co w mojej Arenie wideo z 8 października, więc wynik można porównać z sześcioma innymi modelami. Oceniam tak samo: cztery klatki (8, 35, 62 i 92% długości) plus cały klip, skala 0-10. Mowę sprawdzam programem faster-whisper large-v3 i liczę WER, czyli odsetek źle odczytanych słów.

Pełny pasek to 10 punktów.

Siedem moich klipów

1. Orbita kamery wokół motocykla

Zastosowanie: ujęcie produktu z każdej strony, otwarcie reklamy, przebitka do teledysku.

A smooth 180-degree camera orbit around a vintage red motorcycle parked on a wet cobblestone street in an old European town at blue hour. The camera circles steadily from the front of the motorcycle to its back at a constant speed. Street lamps reflect in the puddles, light drizzle. The motorcycle keeps its exact shape and details. Realistic cinematic footage, real-time motion, no text, no logos.

Po polsku: kamera płynnie obiega o 180 stopni czerwony motocykl na mokrym bruku o niebieskiej godzinie, w kałużach odbijają się latarnie.

Ocena: 8/10. Kamera przechodzi od przodu-boku do tyłu-boku, czyli robi zadane pół obrotu. Motocykl nie zmienia kształtu ani detali, a kałuże i odbicia latarni wyglądają przekonująco. To wynik na poziomie MiniMax H3 Max (8) i tuż za Wanem 3.0 (8,5). Seedance 2.5 dorysował w tej scenie czarną płachtę na siodle, Veo 3.1 Lite prawie nie ruszył kamerą.

2. Kobieta mówi po polsku

Zastosowanie: rolka z polskim dialogiem, reklama z lektorem w kadrze.

Medium close-up of a woman in her thirties sitting at a kitchen table, looking straight into the camera. She says clearly and calmly in Polish: "W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę trzydzieści dwa złote." Natural daylight from a window, static camera, realistic, no subtitles, no on-screen text, no music.

Po polsku: kobieta przy kuchennym stole patrzy w kamerę i spokojnie wypowiada polskie zdanie o chrząszczu i trzydziestu dwóch złotych.

Ocena: 4,5/10. Obraz jest w porządku, usta się ruszają, głos brzmi naturalnie. Ale Whisper odczytał: „W Schebrzeszynie krząść brzmi w trzminie, ale ja płacię trzydzieściąć dwa złote”. To 6 z 12 słów źle, WER 0,5. Dla porównania MiniMax H3 Max miał w tej scenie WER 0, Wan 3.0 0,167, a Seedance 2.5 0,583. Więcej w tekście o polskiej mowie w HappyHorse 1.1.

3. Napis kredą na tablicy

Zastosowanie: plansze tytułowe, szyldy, nazwy produktów w kadrze.

Close-up of a green school chalkboard in a sunlit classroom. A hand finishes writing with white chalk. The chalkboard clearly shows exactly two lines of text in capital letters: first line "ARENA WIDEO 2026", second line "ŻÓŁTA ŁÓDŹ". Static camera, realistic, chalk dust in the light, no other text.

Po polsku: ręka kończy pisać kredą na zielonej tablicy dwa wiersze wielkimi literami, „ARENA WIDEO 2026” i „ŻÓŁTA ŁÓDŹ”.

Ocena: 3/10. Ręka pisze kredą naturalnie, światło i pył w powietrzu są ładne. Tekst jednak się sypie: na tablicy jest „ARENA WIDO 2026” (bez E) i „ŻÓLTA LŮDŻ”, czyli zamiast Ł i Ó pojawiają się zwykłe L i czeskie Ů. W Arenie oba wiersze bez błędu napisały tylko Wan 3.0 i MiniMax H3 Max. Jeśli potrzebujesz napisu w kadrze, HappyHorse 1.1 się do tego nie nadaje. Napis lepiej dodać w montażu.

4. Nalewanie wody aż do przelania

Zastosowanie: reklamy napojów, kulinaria, ujęcia produktowe z cieczą.

Static close-up on a wooden kitchen table in daylight. Water is poured from a glass pitcher into an empty clear drinking glass. The stream splashes, bubbles rise, the water level rises steadily until the glass overflows and water spills onto the table and spreads into a puddle. Real-time speed, no slow motion, realistic physics, no text.

Po polsku: woda z dzbanka leje się do pustej szklanki, poziom rośnie, aż szklanka się przelewa i na stole powstaje kałuża.

Ocena: 5/10. Strumień i bąbelki wyglądają dobrze. Problem z kolejnością: kałuża na stole pojawia się już w 2. sekundzie, zanim szklanka jest pełna. Ten sam błąd zrobił w Arenie Veo 3.1 Lite (też 5). Wan 3.0 dostał tu 9, bo woda podnosiła się równo i przelewała we właściwym momencie.

5. Ta sama postać w dwóch ujęciach

Zastosowanie: krótkie historie, seriale z AI, reklamy z bohaterem.

Two shots separated by one hard cut. Shot 1: wide shot of a young woman with short red hair, round black glasses, a yellow raincoat and a black backpack walking along a rainy city street at night with neon reflections on the wet pavement. Hard cut. Shot 2: close-up of the same woman with the same short red hair, the same round black glasses and the same yellow raincoat as she stops under a shop awning and looks up at the rain. Realistic, cinematic, no text.

Po polsku: dwa ujęcia z twardym cięciem, najpierw kobieta w żółtym płaszczu idzie nocą w deszczu, potem zbliżenie tej samej kobiety pod markizą.

Ocena: 8,5/10. Cięcie jest dokładnie tam, gdzie trzeba. Po nim zostaje ta sama twarz, okulary, żółty płaszcz i szelki plecaka. Jedyna różnica: w zbliżeniu włosy są nieco dłuższe. To lepiej niż MiniMax H3 Max (7,5, zmienił fryzurę na boba z grzywką) i Seedance 2.5 (6, kaptur zasłonił włosy). Lepszy był tylko Wan 3.0 (9).

6. Rybak mówi po angielsku

Zastosowanie: rolki i reklamy po angielsku, dokument stylizowany na kamerę z ręki.

Medium shot of an elderly fisherman with a grey beard sitting on a wooden pier at sunrise, mending a net. He looks up at the camera, smiles and says in English: "The sea gives you exactly what you have patience for." Gentle waves, seagulls in the distance, warm golden light, handheld documentary style, realistic, no subtitles, no text.

Po polsku: starszy rybak z siwą brodą naprawia sieć na pomoście o wschodzie słońca, podnosi wzrok i mówi po angielsku zdanie o morzu i cierpliwości.

Ocena: 8,5/10. Whisper odczytał zdanie bez jednego błędu (WER 0), a ruch ust zgadza się z dźwiękiem. Minus za montaż, o który nie prosiłem: na początku jest krótkie inne ujęcie (zbliżenie dłoni), dopiero potem plan średni. To ten sam model, który po polsku pomylił połowę słów, więc problem leży w języku, a nie w samej mowie.

7. Obraz na wideo: kubek i kawa

Zastosowanie: ożywianie zdjęć produktów, posty do sklepu internetowego, przebitki.

Klatkę startową (zielony kubek na dębowym stole) wygenerowałem modelem Qwen-Image 3 przez OpenRouter za 0,03 USD:

Slow camera push-in on the green ceramic mug. Hot black coffee is poured into the mug from above in a thin stream, steam rises and curls in the sunlight, dust particles float in the window light. Sound of pouring coffee and a quiet morning kitchen. Realistic, no text, no logo.

Po polsku: kamera powoli najeżdża na zielony kubek, z góry leje się cienkim strumieniem czarna kawa, unosi się para, słychać nalewanie i cichą kuchnię.

Ocena: 8,5/10. Najazd jest płynny, kubek zachowuje kształt i kolor z klatki, kawa leje się cienkim strumieniem, para się unosi. Jedyny efekt uboczny: ziarenka kawy z brzegu kadru wychodzą poza obraz przez najazd, ale tak działa kamera, więc to nie błąd. To dobry przykład, dlaczego model jest wyżej w rankingu obrazu na wideo niż tekstu na wideo.

Oficjalne polecenia do wypróbowania

Alibaba nie publikuje plików wideo z poleceniami. Na blogu jest tylko GIF bez polecenia. Poniższe polecenia pochodzą z dokumentacji i kampanii. Nie generowałem ich, więc nie pokazuję wyniku.

Miasteczko z kartonu (dokumentacja, tekst na wideo)

A miniature city built from cardboard and bottle caps comes to life at night. A cardboard train slowly passes through, with small lights dotting the scene and illuminating the way ahead.

Po polsku: miniaturowe miasto z kartonu i kapsli ożywa nocą, przejeżdża przez nie kartonowy pociąg, a drogę oświetlają małe światełka. Źródło: dokumentacja Alibaba Cloud.

Taniec ze zmianą stylu (kampania Alibaba Cloud)

A girl is dancing gracefully. As she spins around in a full turn, the entire scene seamlessly transforms from a cartoon style into a realistic live-action setting.

Po polsku: dziewczyna tańczy, a w trakcie pełnego obrotu cała scena przechodzi płynnie ze stylu kreskówki w realistyczne zdjęcia. Źródło: strona kampanii HappyHorse.

Pojedynek taneczny dwóch postaci (fal.ai, referencje)

A dance battle between character1 and character2, cinematic lighting, smooth camera movement.

Po polsku: pojedynek taneczny dwóch postaci z wgranych obrazów, filmowe światło, płynna kamera. To polecenie do trybu referencji, którego sam nie testowałem; character1 i character2 to odwołania do wgranych zdjęć.

Galeria społeczności

Na happyhorse.com jest galeria szablonów od użytkowników, np. szczeniak w stroju pszczoły w trzech ujęciach, pluszak w 15-sekundowym klipie rozpisanym co do sekundy czy horror w stylu lat 80. z pięcioma referencjami. Polecam je przejrzeć, bo widać tam pełne polecenia. Nie osadzam ich tutaj: autorami są użytkownicy, a licencja nie jest podana. Wyróżniony film „Are You Happy - HappyHorse 1.1 Is Now Available” (2:21, 23.06.2026) obejrzysz na stronie.

Co z tego wynika

• Pisz polecenia po angielsku i trzymaj dialog po angielsku. Polskie zdanie wychodzi z błędami.
• Nie licz na napisy w kadrze. Dodawaj je w montażu.
• Zaczynaj od obrazu, jeśli możesz. Obraz na wideo dał mi najczystszy wynik.
• Opisuj ujęcia i cięcia wprost („Shot 1”, „Hard cut”, „Shot 2”). Model trzyma się takiej struktury.

Jak HappyHorse 1.1 wypada na tle Wana 3.0, Seedance i MiniMax w tych samych scenach, pokazuję w porównaniu czterech modeli. Inne modele w moich testach: Arena wideo i mój ranking generatorów wideo.