Sprawdziłem HappyHorse 1.1: angielski bez błędu, polski z 6 błędami

👁 118 przeczytań

Sprawdziłem model wideo HappyHorse 1.1 od Alibaby na polskim i angielskim zdaniu. Angielskie zdanie rybaka wyszło bez jednego błędu. W polskim zdaniu o chrząszczu model pomylił 6 z 12 słów. Klip kosztował 0,494 USD przez OpenRouter. Ranking, ceny i pełny test są w przewodniku HappyHorse 1.1.

Co sprawdziłem

11 października 2026 zrobiłem 7 klipów modelem HappyHorse 1.1 przez API OpenRoutera: 720p, 5 sekund, ten sam seed. Dwa z nich dotyczyły mowy. W pierwszym kobieta przy kuchennym stole miała powiedzieć po polsku: „W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę trzydzieści dwa złote”. To samo polecenie dostało wcześniej sześć modeli w mojej Arenie wideo. W drugim starszy rybak na pomoście miał powiedzieć po angielsku: „The sea gives you exactly what you have patience for”.

Oba nagrania przepuściłem przez faster-whisper large-v3 i policzyłem WER, czyli odsetek źle odczytanych słów. Zero oznacza zdanie bez błędu.

Wynik po polsku: 6 z 12 słów źle

Whisper odczytał z klipu: „W Schebrzeszynie krząść brzmi w trzminie, ale ja płacię trzydzieściąć dwa złote”. Model uprościł „Szcz” do „Sch” w nazwie miasta, zamienił chrząszcza na „krząść”, trzcinę na „trzminę”, „a” na „ale” i dorobił nieistniejące formy „płacię” i „trzydzieściąć”. Obraz jest przy tym poprawny: twarz naturalna, usta się ruszają, głos brzmi jak prawdziwy. Słychać jednak, że to polski z obcym akcentem i z błędami. Dałem tej scenie 4,5/10.

Na tle innych modeli z tej samej sceny:

Wyniki rywali pochodzą z rundy z 28 września 2026 (to samo polecenie). Producent nie podaje listy języków mowy. Pośrednicy wymieniają m.in. angielski, chiński, japoński, koreański, niemiecki, francuski i hiszpański. Polskiego nie wymienia nikt.

Po angielsku: bez błędu

Zdanie rybaka Whisper odczytał słowo w słowo, WER 0. Ruch ust zgadza się z dźwiękiem, w tle słychać fale. Jedyny minus: model sam dodał na początku krótkie zbliżenie dłoni, zanim pokazał plan średni. Ocena 8,5/10.

Ten sam model, ta sama rozdzielczość, ta sama długość. Różnica między WER 0 a WER 0,5 to wyłącznie język. Podobnie wyszło z polskim napisem na tablicy: zamiast „ARENA WIDEO 2026” i „ŻÓŁTA ŁÓDŹ” model napisał „ARENA WIDO 2026” i „ŻÓLTA LŮDŻ” (ocena 3/10).

Skąd ten model i gdzie jest w rankingu

HappyHorse to seria wideo Alibaby z grupy ATH (Alibaba Token Hub), rozwijana przez zespół Future Life Lab. Kolejne kroki:

• 7 kwietnia 2026 wersja 1.0 trafiła anonimowo na arenę Artificial Analysis i od razu objęła 1. miejsce.
• 10 kwietnia 2026 AA ujawniło, że to Alibaba.
• 22 czerwca 2026 wyszła wersja 1.1 z lepszym ruchem, spójnością postaci i tańszym 1080p.
• 11 października 2026 HappyHorse 1.1 jest 12. w rankingu tekstu na wideo (1042 Elo) i 8. w obrazie na wideo (1104 Elo).

Najmocniejszym rywalem jest Wan 3.0, też od Alibaby, ale z innego zespołu. Prowadzi w tekście na wideo z wynikiem 1156 i w polskiej scenie pomylił tylko 2 słowa. Pełne zestawienie: HappyHorse 1.1 vs Wan 3.0, Seedance i MiniMax.

Ile to kosztuje

• OpenRouter: 0,0988 USD za sekundę 720p, czyli 0,494 USD za mój klip 5 s; 1080p 0,1278 USD/s.
• Alibaba Cloud, region Frankfurt: 0,124 USD/s za 720P i 0,165 USD/s za 1080P.
• happyhorse.com: Standard 1 USD za pierwsze 7 dni, potem 10 USD miesięcznie.

Co to znaczy dla twórców rolek w Polsce

• Polskiego dialogu nie rób w HappyHorse 1.1. Co drugie słowo z błędem to za dużo na rolkę dla polskiego widza.
• Angielskie rolki - tak. Mowa i ruch ust są tu na dobrym poziomie.
• Polskie wersje rób z podkładem. Wygeneruj obraz bez dialogu, a głos nagraj osobno lub zrób lektorem AI i dołóż w montażu. Napisy też dodawaj w montażu.
• Do polskiej mowy wybierz inny model. W moich testach najlepiej wypadł MiniMax H3 Max, a z dźwiękiem z OpenRoutera - Wan 3.0.

Pozostałe moje klipy z tego modelu (orbita kamery, postać w dwóch ujęciach, obraz na wideo) są w tekście Co potrafi HappyHorse 1.1. Przegląd innych narzędzi: generatory wideo AI.