Alibaba tomonidan ishlab chiqilgan Happy Horse 1.1 generativ videoda muhim tarkibiy sakrashni anglatadi: u ovozga ikkinchi darajali narsa sifatida qarashni to’xtatdi. Yagona transformer arxitekturasida qurilgan bo’lib, u vizual kadrlar va ularga hamroh bo’ladigan ovozni — dialoglar, shovqinlar va fon effektlarini — bitta o’tishda bir vaqtning o’zida yaratadi.
Natijada mahalliy sinxronlashtirilgan ovozga ega 15 soniyagacha bo’lgan 1080p video olinadi. U hatto to’g’ridan-to’g’ri promptdan 7 ta tilda ko’p tilli lab sinxronizatsiyasini ham uddalaydi. Ovozisiz video kliplar yaratishga va ovoz effektlarini izlashga yoki alohida lab sinxronizatsiyasi vositalaridan foydalanishga soatlab vaqt sarflashga odatlangan ijodkorlar uchun Happy Horse 1.1 ko’p bosqichli ish jarayonini bitta tugmani bosishgacha qisqartiradi.
1.0 versiyasi kontseptsiya isboti bo’lgan bo’lsa, 1.1 versiyasi haqiqiy ishlab chiqarish uchun zarur bo’lgan qahramonlar barqarorligi va vaqtinchalik barqarorlikni olib keladi. Biroq, bu yagona yondashuvning o’ziga xos kelishuvi bor: audio va video bir-biri bilan chambarchas bog’liq. Agar video mukammal bo’lsa-yu, lekin bitta ovoz effekti biroz xato bo’lsa, model ichida faqat audio trekni osongina qayta yarata olmaysiz. Shunga qaramay, uning sinxronlashtirilgan, yuqori aniqlikdagi audio-vizual kontentni mahalliy tarzda taqdim etish qobiliyati uni bugungi video yetakchilar ro’yxatidagi eng qiziqarli vositalardan biriga aylantiradi.
