HappyHorse-1.0が旋風を巻き起こす：AI動画生成の新たな勢力図

2026年4月初頭、HappyHorse-1.0という匿名のAI動画生成モデルが、第三者評価プラットフォームArtificial Analysisのリーダーボードに突如登場し、バイトダンスのSeedance 2.0や快手（Kuaishou）の可灵Kling 3.0などの有力製品を抑え、テキスト→動画（音声なし）および画像→動画（音声なし）の両部門で首位に立った。音声なしのテキスト→動画部門では、HappyHorseはELOスコア約1380を記録し、2位のSeedance 2.0に100ポイント以上の差をつけた。音声なしの画像→動画部門ではスコア1410以上を達成し、同プラットフォームの過去最高記録を更新した。数日後、この黒馬の正体が阿里巴巴（Alibaba）ATH事業グループによるものと正式に発表された。HappyHorseは阿里のイノベーション事業部が自社開発した音声・動画共同生成モデルであり、現在は社内テスト中で、APIは2026年4月30日に一般公開される予定である。

一、HappyHorse-1.0の全貌

1.1 非凡な出自：阿里ATHの「秘密兵器」

HappyHorse-1.0は、阿里巴巴ATH（Alibaba Token Hub）事業グループ傘下のAIイノベーション事業部によって開発された。ATH事業グループは、阿里巴巴CEOの呉泳銘（Wu Yongming）が2026年3月に直接立ち上げた新組織であり、通義実験室、MaaS事業ライン、千問事業部、悟空事業部、AIイノベーション事業部の5部門を統合し、基盤モデルの研究開発から応用シーンまでの全チェーンを閉鎖的に連携させることを目的としている。HappyHorseはこのイノベーションの方向性を示す最初の成果である。

モデル開発の中心人物は「可灵の父」と呼ばれる張迪（Zhang Di）氏である。張氏はかつて快手の副総裁を務め、可灵大モデルの基盤アーキテクチャを構築し、可灵1.0/2.0の立ち上げに成功した。2025年末に阿里へ復帰し、淘天グループの未来生活実験室の責任者に就任。わずか5ヶ月でチームを率いてHappyHorse-1.0を完成させた。

1.2 技術アーキテクチャの特徴：ネイティブな音声・動画共同生成

HappyHorseの最も際立った技術的革新は、「ネイティブな音声・動画共同生成」アーキテクチャにある。

• 統一Transformerアーキテクチャ：約150億パラメータの純粋な自己注意単一ストリームTransformer（40層）を採用。テキスト、動画フレーム、音声トークンを同一シーケンスに配置し、共同でモデリングする。これにより、生成の初期段階から音声と映像が同一の意味空間に置かれ、音画同期の自然さを根本的に保証する。

• 単一推論での同期出力：多くの動画生成モデルの「まず映像を生成し、後から音声を付け、リップシンクを行う」という段階的アプローチとは異なり、HappyHorseは1回のフォワード推論で同期音声付きの完成動画を直接出力する。口の動き、足音、環境音などがすべて同じプロセスで生成され、後処理での結合は一切不要である。

• 高効率推論と蒸留技術：DMD-2蒸留技術を採用し、わずか8ステップのデノイジングで生成を完了するため、従来の拡散モデルよりはるかに高速である。MagiCompilerによるフルグラフコンパイル最適化と組み合わせることで、単一のH100 GPUで5秒間の1080p動画を約38秒で生成できる。

• 多言語サポートとアップスケールモジュール：英語、標準中国語、広東語、日本語、韓国語、ドイツ語、フランス語の7言語のリップシンクをネイティブサポート。アップスケールモジュールを内蔵し、ネイティブで1080p動画を出力する。

1.3 評価結果：無音部門で圧倒、音声融合は互角

Artificial Analysisが発表した4つの主要部門のデータは以下の通りである。

• テキスト→動画（音声なし）：HappyHorseは1378～1383ポイントで首位、2位のSeedance 2.0に約105～110ポイントの差をつける。

• 画像→動画（音声なし）：1410～1413ポイントで第1位、プラットフォームの過去記録を更新。

• 音声あり部門：Seedance 2.0との差は1～2ポイントに縮まり、ほぼ互角。

総じて、純粋な画質の次元ではHappyHorseが明らかな優位性を確立している。しかし音画融合能力では、Seedance 2.0と依然として同じ技術水準にある。証券会社のレポートでは、「映像やシーンは非常に優れており、音声も悪くないが、複雑な動きや絵コンテ制御の面ではSeedanceなどのプレイヤーほど成熟していない」高品質な動画モデルと評価されている。また、あるAIGCディレクターは、流出したクリップを見る限り、リアリティはSeedance 2.0に非常に近いが、激しい動きの際の「AI感」は依然として強いと指摘している。

二、主要な動画生成モデルの比較分析

2.1 Seedance 2.0（バイトダンス）

リリース日：2026年2月10日

Seedance 2.0はデュアルブランチ拡散Transformer（DB-DiT） アーキテクチャを採用。一方のブランチが映像生成を担当し、もう一方が全体的なナラティブと時間軸制御を担当する。テキスト、画像、音声、動画の4モダリティの混合入力をサポートし、**9枚の画像、3本の動画、3つの音声を同時に参照できる。**出力長は60秒、解像度は2Kレベル。8言語以上のリップシンクに対応し、物理ペナルティ学習により重力、流体、衝突などの物理法則を厳密にモデリングしている。

HappyHorseとの比較：HappyHorseは無音の映像部門で大きくリードするが、複雑な動きの制御や絵コンテのナラティブではSeedance 2.0ほど成熟していない。また、マルチモーダル入力の豊富さでもSeedance 2.0が勝る。

2.2 可灵Kling 3.0（快手）

リリース日：2026年2月5日

Kling 3.0シリーズは「インテリジェント絵コンテ」システムと「ネイティブ音画同期」技術を導入。ビジュアル思考連鎖（vCoT）とDeep-Stackビジュアル情報フロー機構により、「映像崩壊」と「物理法則違反」の課題を解決している。動作制御3.0では、動作参照動画や先頭フレーム画像などをアップロードして生成を制御することが可能で、動作の連続性と顔の一貫性はプロのモーションキャプチャ技術に匹敵する。**15秒のマルチショット高精細動画生成をサポート。

HappyHorseとの比較：Kling 3.0は動作制御とマルチショットナラティブでより成熟しているが、単一フレームの画質や静的シーンのリアリティではHappyHorseがやや優位である。

2.3 OpenAI Sora 2

リリース日：2026年9月30日（原文に基づく）

Sora 2は拡散Transformerアーキテクチャと時空間パッチ技術を採用。15～25秒の動画生成をサポートし、同期音声生成、キャラクターカメオ出演、ディズニー公認キャラクター生成などの機能を持つ。**出力解像度は1080p。物理世界のモデリングは最高峰と認められている。2026年3月25日にサービス終了が発表された。

HappyHorseとの比較：Sora 2は物理モデリングと汎用性で勝るが、サービス終了後に生じた市場の空白は中国のモデルが急速に埋めている。HappyHorseは中国語シーンや多言語サポートにより特化しており、推論効率も高い。

2.4 Runway Gen-4

リリース日：2025年4月

Gen-4の核心的な飛躍は「世界の一貫性」 にある。異なるシーン、視点、照明条件下でも、キャラクター、物体、スタイルの視覚的連続性を維持する。4K出力に対応し、**30秒の動画生成が可能（Gen-4 Turbo版は10秒）。

HappyHorseとの比較：Runway Gen-4はキャラクターのクロスシーン一貫性やプロフェッショナルなワークフロー統合に強みがあり、専門的な映像制作に適している。HappyHorseは音声・動画共同生成のアーキテクチャ革新でよりラジカルであり、推論速度も優れている。

2.5 Google Veo 3

Veo 3シリーズは、ディレクターレベルのナラティブ能力と物理リアリティを重視。テキスト→動画と画像→動画の両方のパスをサポートする。Veo 3.1 Liteは低コスト戦略で商用市場を狙い、720pで毎秒0.05ドル、1080pで毎秒0.08ドル。

HappyHorseとの比較：Veo 3はコスト管理と開発者エコシステムで顕著な優位性を持つ。一方、HappyHorseは映像のリアリティと音画同期品質で勝る。

2.6 Pika 2.5

Pika 2.5は軽量クリエイティブツールとして位置づけられ、**10～16秒の動画を生成。「物理認識」やクリエイティブエフェクト（Pikaffects、Pikaswapsなど）で知られる。効果音生成とリップシンク機能を統合し、低価格でコンシューマー向けクリエイターをターゲットにしている。

HappyHorseとの比較：Pikaは軽量・高速・コンシューマー向けであり、HappyHorseは高品質な音声・動画同期生成を志向し、プロフェッショナルな創作シーンを対象としている。

三、総合比較一覧表

四、まとめと展望

HappyHorse-1.0の出現は、AI動画生成分野が新たな競争段階に入ったことを示している。ネイティブな音声・動画共同生成アーキテクチャという独自の差別化要因を武器に、純粋な画質の次元で目覚ましい成果を達成するとともに、音画同期体験に破壊的な革新をもたらした。複雑な動作制御や絵コンテナラティブにはまだ改善の余地があるものの、その技術路線の独自性は業界に新たな思考の方向性を提供している。

HappyHorseの登場は、AI動画生成分野におけるいくつかの重要なトレンドも浮き彫りにしている。**に、音声・動画の共同生成は「オプション機能」から「コア能力」へと変わりつつあり、高品質な音画一体化を真に実現できる者が競争で優位に立つ。第二に、映像のリアリティと物理法則モデリングの競争はますます激化しており、単一フレームの画質と動作の連続性の両立が新たな常識となっている。第三に、中国のモデルが急速に台頭し、Soraのサービス終了によって生じた市場の空白から技術のバトンを受け継いでいる。

HappyHorse-1.0のAPIが4月30日に一般公開されることで、この「黒馬」の真の実力はさらに幅広いアプリケーションシーンで試されることになる。最終結果がどうであれ、AI動画生成技術の境界は拡大し続けており、AIによって駆動される全く新しい映像創作の時代が加速的に到来している。