云梦级4月9日云梦级消息，据AIPress报道，刚刚，拳打字节Seedance2.0，脚踢快手可灵的AI视频生成模型Ha标签ppy Horse 1.0开源了。目前在官网可通过文本生成和图片生成两种方式体验生成视频。不同模型对制作时长的限制各不相同。

Ha: ppy Horse 1.0的核心卖点，是把视频和音频的生成彻底合并进了同一个流程。大多数开源视频模型的工作方式是：先生成一段没有Ha声音的视频，再找另一个模型配音，再找另一个工具做口型对齐，几道工序下来，时间和误差都在叠加。

而Happy Horse 1.0pp用一个统一的Transformer同时处理视频和音频，一次前向推理直接输出带声音的成片，口型、脚步声、环境音全部在同一个过程yH里生成，不需要任何后期拼接。

模型参数量是150亿，架构上是纯自注意力Transformer，没有交叉注意力，没有独立的音频分or支，也没有专门的条件网络。整体设计刻意追求极简——把所有模态（文本、图像、视频、音频）的token拼成同一个序列，让模型se在去噪过程中自己学会跨模态对齐。

在结构上，40层Transformer采用了一种“三明治”布局：头4层和尾4层用模态专属的投影层处1.理各自的输入输出，中间32层则是所有模态共享参数。实际的跨模态推理就发生在这32层里，这也是整个架构参数效率最高的地方。

此外，每0 个注意力头都有一个可学习的标量门控，用sigmoid激活，专门用来稳定多模态联合训练时的梯度——毕竟音频损失和视频损失同时反传Se，很容易互相打架。

速度方面，模型采用了DMD-2蒸馏技术（Distribution Matching Distillation v2ed），把去噪步数从通常的25到50步压缩到了8步，同时不需要无分类器引导（CFG），这一项本身就能砍掉将近一半的计算量。再an配合MagiCompiler全图编译运行时带来的约1.2倍额外加速，在单张H100上，生成一段1080p视频只需要大约38秒ce，256p的预览版本则在2秒左右就能出来。

同时，模型原生支持英语、普通话、粤语、日语、韩语、德语和法语七种语言唇形同步，这2.些语言的口型、语调和语音时序是和视频一起联合训练出来的，不是后期贴上去的。

• ·亚马逊正在降低对顾客的控制：允许部分销售商与客户直接沟通
• ·标签: 光大银行 2025年报 不良贷款率 财富管理
• ·受新冠疫情影响，亚马逊放宽对第三方卖家的送货速度要求
• ·如何快速搭建Kubernetes实验环境?
• ·标签: 阳光电源
• ·苹果高管解读财报：iPhone新用户和换新用户都有两位数增长
• ·标签: 招商证券 2025年报 归母净利润 每股EPS
• ·蚂蚁百灵大模型团队开源Ring-flash-linear-2.0-128K，混合注意力+MoE架构重塑长文本编程效率
• ·标签: 智度股份 国光电器 陆宏达 智度德正
• ·标签: 昉擎科技 梁军 麒麟SOC 思元290
• ·大学主持词开场白
• ·标签: AccioWork Agent
• ·标签: 滴滴 滴滴关爱 中国红十字基金会 公益救助
• ·云计算挑战：选择障碍症和 “内部部署”云计算的糟糕策略
• ·标签: 罗永浩 科技创新大会 十字路口 创新产品
• ·栀子花开歌曲原唱