Alibabaの動画AIは、映像と音声を「1回」で同時に作る — 日本語もいける Happy Horse の正体

動画生成AIのアリーナで、しばらく謎の上位モデルがいた。名前は「Happy Horse（ハッピーホース）」。ふざけたような名前のわりにスコアはKling v3に次ぐ2位級で、正体が伏せられていたぶん余計に注目を集めていた。

その開発元が、2026年4月にAlibabaだと明かされた（CNBC報道）。Alibaba Token Hubのイノベーション部門が手掛けたモデルで、いまはfalが公式APIパートナーとして提供している。名前のゆるさと中身のガチさのギャップが、個人的にはかなり好きだ。

何がすごいのか — 映像と音声を「別々に作らない」

Happy Horse 1.0の技術的な肝は、映像と音声を1つのパスで同時に生成する点にある。15Bパラメータの統合Transformer（40層のself-attention、DMD-2蒸留）が、動画と音を一緒に吐き出す。結果として、セリフ・環境音・Foley（足音や物音などの効果音）が、最初から同期した状態で出てくる。

多くの動画AIは「映像を作ってから音を後付けする」構造だ。だから口の動きと声、動作と効果音のタイミングがずれやすい。Happy Horseはその工程を1本化することで、ズレを構造的に起きにくくしている。H100 1枚で約38秒あれば、1080pの映像と音声がまとめて生成される。

そしてもう一つ、日本のユーザーに効くのが言語対応だ。英語・北京語・広東語・日本語・韓国語・ドイツ語・フランス語をネイティブにサポートしている。日本語のセリフを、音声つきで最初から生成できるモデルはまだ多くない。ここは素直に大きい。

使い所と、正直な限界

いいことばかり書いてもフェアではないので、弱点も先に挙げておく。

まず、生成できるクリップは5〜8秒と短い。ByteDanceのSeedance 2.5が30秒を一発で出す方向に進んでいるのと比べると、尺の面では見劣りする。長い動画を作るなら、結局は複数クリップをつなぐ従来型の作業が必要になる。

もう一つ、当初は「オープンソースになる」という観測もあったが、実際にはクローズドソースで、ライセンス提供もされない見込みだ。手元で自由に回したい層には残念な話だろう。

つまりHappy Horseは「長尺の万能モデル」ではなく、短尺 × 音声同期 × 多言語に特化した一本だと捉えるのが正しい。この割り切りが、逆に使い所を明確にしている。

日本語ネイティブ音声で何ができるか

短尺で音声同期、しかも日本語対応——この組み合わせが揃うと、地味に便利な用途が見えてくる。

たとえば、商品やサービスの日本語ナレーション付きショート広告を、撮影も声優手配もなしで作る。SNS向けの縦型動画は多くが数秒〜十数秒で完結するから、5〜8秒×数本という制約とも相性がいい。効果音まで一緒に生成されるので、無音の素材に後から音を足す手間も省ける。

さらに一歩踏み込めば、同じシーンを言語だけ差し替えて多言語版を量産する、という展開も現実的だ。日本語・英語・中国語のショートを、同じ絵で音声だけ変えて出す——グローバル配信を狙う個人や小規模チームにとって、これは無視できない時短になる。もちろん、キャラクターの一貫性や細かい演出の制御はまだ発展途上なので、「そのまま納品」ではなく「たたき台を高速で量産する」用途から入るのが現実的だろう。

まとめ

Happy Horse 1.0は、ベンチマーク上位という派手な話題性の裏で、「映像と音声を同時に、しかも多言語で作る」という地に足のついた強みを持ったモデルだ。5〜8秒という尺の短さとクローズドソースという制約はあるものの、日本語ネイティブの音声つき動画を手軽に量産できる点は、日本のクリエイターにとって明確な価値になる。Seedanceのような長尺路線とは狙いが違う。長さで勝負するモデルと、短尺・音声・多言語で勝負するモデル——動画AIの選択肢がまた一つ、はっきりした形で増えた。