hi，大家好我是绛烨。
最近 AI 视频工具越来越多了，我基本上每个都会去试一下。
但说实话，体验下来大部分还是在抽卡。
写一句提示词，点生成，等几分钟，看运气。效果好不好，全靠缘分。
尤其是想做稍微复杂一点的内容——比如一个追逐戏、两个人对话、或者一段带货视频——提示词越写越长，翻车概率反而越来越高。
要么人物动作僵硬，要么角色一个镜头一张脸，要么你写了五个分镜它只给你拍了两个。
HappyHorse 1.1 全新上线，官方信息显示，这次升级围绕 动态表现力、主体一致性、指令遵循、视觉质感和音频表达 五个核心维度进行了系统性优化。
我就花了一些时间，把这几个方向都跑了一遍。
从写提示词、生成参考图、上传参考图、到最终出片，完整过程分享给大家。
HappyHorse 1.1提供限时6折优惠，720p分辨率官方刊例价0.9元/秒，折后每秒0.54元。新会员首购低至 6.6 元。
使用场景
古风追逐戏
我先挑了一个对 AI 视频来说挺有挑战性的场景：古风追逐戏。
为什么选这个？因为追逐戏对"动态表现力"的要求非常高。
1.1版本优化了运动建模与时序一致性能力，提升了动作的连贯性和力量感。我就想试试，这到底是不是真的。
之前用别的工具试过类似场景，基本上跑到一半就开始"滑步"了，动作变得像在冰面上漂移。
这次我先用 AI 画了一张动漫风格的角色图，一个古风少年：
然后用 HappyHorse 1.1版本，把这张图传上去，写了一段提示词。
提示词我塞了不少东西：闹市奔跑、踩杂物跳上屋顶、屋顶疾跑、跳下落地，全程一镜到底 FPV 跟拍。
提示词如下：
16:9画幅，15秒一镜到底无剪辑无转场，超低角度仰拍FPV动态追踪视角，镜头紧贴地面跟随人物奔跑。古风繁华闹市街道，人来人往，少年@Image1 步伐急促有力穿过人群疾跑逃跑，衣摆剧烈翻飞，镜头快速跟踪他的背影和侧面。少年跑到一面高墙下，墙根堆着一堆箱子和杂物麻袋，少年踩着箱子杂物蹬墙翻身跃上墙头，镜头从下方仰拍他腾空跃起的瞬间，衣摆在空中展开。少年翻上墙头后在屋顶奔跑，镜头平行跟拍他在瓦片上的奔跑，脚踩瓦片发出细碎声响。少年跑到屋顶边缘纵身跳下，镜头跟随他的身体下落，他稳稳落地后迅速起身继续向前跑，镜头从低角度捕捉他落地的冲击力和扬起的尘土。全程一镜到底，运动节奏紧凑不拖沓。音频：追逐的脚步声、街道嘈杂的人声、瓦片碎裂声、风声。
生成结果，请看VCR：
说实话我挺惊喜的。
少年奔跑的步伐很自然，没有出现滑步。衣服和头发的物理动态也跟上了，风吹衣摆翻飞的细节都有。
一镜到底的运镜保持住了，15 秒一气呵成没崩。
快速转向的时候背景建筑有轻微变形，但整体这个连贯性和力量感，确实比我之前用过的工具强了一档。
AI短剧
试完动作戏，我接着试了一个完全不同的方向：短剧。
做短剧最怕什么？角色不一致。
远景还是这个人，切到近景换了张脸。或者上一个镜头穿白衬衫，下一个镜头变成灰T恤。
这个问题在以前的 AI 视频工具里太常见了。
HappyHorse 1.1版本支持9张角色参考图同时输入，保持商品细节、品牌元素、角色与场景的灵活组合和稳定性。我这就来验证一下。
我生成了三张参考图：一个男生、一个女生、一个河边场景。
走的是《漫长的季节》那种胶片质感。
提示词是一段无对话的短剧：夏日傍晚，男生和女生沿河边散步，男生深情看向女生，女生害羞低头。
四个分镜，从跟拍到近景到特写到远景收尾。
提示词原文：
电影级写实画质，胶片颗粒质感，暖黄怀旧色调，16:9画幅，15秒，无对话纯剧情。夏日傍晚，金色夕阳洒在河边@Image3，男生@Image1 和女生@Image2 沿着河岸小路并肩散步。
【0-5秒】中景侧面跟拍，两人并肩走在河边小路上，夕阳从侧后方打过来，地上拖着长长的影子。男生偶尔低头踢一颗小石子，女生双手自然垂在身侧，两人之间保持着若即若离的距离。环境音：河水流淌声、远处蝉鸣、柳叶沙沙。
【5-9秒】近景，男生侧头看向女生，目光温柔专注地停留在她脸上，嘴角微微上扬但没有说话。夕阳在他侧脸上打出暖金色轮廓光。
【9-12秒】近景切到女生，她感受到目光，先是微微愣了一下，然后嘴角不自觉地抿起一丝笑意，睫毛轻颤，害羞地低下头，碎发垂落遮住半边脸。
【12-15秒】远景缓缓拉远，两个人的身影在夕阳下越来越小，河面波光粼粼，画面渐渐被暖金色吞没。
【音频】全程无对话。环境音：流水声为底、蝉鸣、微风吹过柳叶的细碎声。背景铺一层极淡的钢琴旋律，温暖克制，像回忆的色调。
生成结果：
两个角色从头到尾保持住了。
男生的白衬衫短发、女生的碎花裙低马尾，四个分镜切换下来没有出现角色漂移。
而且这条视频的环境音做得也不错——流水声、蝉鸣、钢琴，不是那种一股脑全塞进去的白噪音。近景时流水声更明显，远景拉远时整体变安静，这个音画匹配的细节有惊到我。
接下来我想测一个更极端的情况：纯文字，不给任何参考图，看模型能不能"听懂"一段复杂指令。
我故意写了一段指令密度很高的提示词：5 个分镜、从室外到室内的场景转换、一个老守塔人角色、多种镜头语言，外加详细的音频描述。
等于完全靠模型自己理解和发挥。
提示词原文：
电影级写实画质，16:9画幅，15秒，多镜头叙事。深夜，海岸悬崖上一座白色灯塔，暴风雨正猛烈袭来。
【镜头1：远景，0-3秒】狂风暴雨中，灯塔矗立在悬崖边缘，巨浪拍打岩壁溅起十几米高的水花，灯塔顶部的光束在浓雾中艰难旋转。闪电撕裂夜空，照亮翻涌的乌云。
【镜头2：中景，3-6秒】灯塔底部铁门被风吹得猛烈摇晃，铰链发出尖锐的金属摩擦声。门缝中透出昏黄的灯光。
【镜头3：室内中景，6-9秒】灯塔内部，一个满脸皱纹的老守塔人坐在布满仪表盘的工作台前，表情严肃而专注。他戴着一副老花镜，粗糙的双手正在调试一台老旧的无线电设备，指尖拧动旋钮。桌上散落着航海图和一杯已经凉透的咖啡。
【镜头4：特写，9-12秒】无线电发出刺耳的静电噪音，突然捕捉到一段微弱的求救信号。老人的眼睛猛然睁大，他迅速抓起话筒，嘴唇颤抖着开始回应。
【镜头5：远景收尾，12-15秒】镜头拉回灯塔外部，暴风雨依然肆虐，但灯塔的光束更加坚定地旋转着，穿透雨幕照向漆黑的大海。
生成结果：
5 个分镜在 15 秒内跑通了，这个让我挺意外。
灯塔、暴风雨、老守塔人、室内外切换，这些核心元素都在。
一些很具体的交互细节比如"拧动旋钮""抓起话筒"处理得比较模糊——这类精细手部交互目前 AI 视频普遍还做不太好。
但整体的叙事逻辑和分镜编排确实超出我预期，尤其是纯 T2V 不垫图的情况下
电商带货
动作戏、短剧、纯文字叙事都试完了，我又想到一个很实际的场景：电商带货。
为什么试这个？因为带货视频对画面质感要求特别高。
主播脸部一塌糊涂、产品颜色偏了、或者商品在画面里被"吃掉"了，这素材就没法用。
HappyHorse 1.1版本视觉质感专项优化…油光感、过度锐化等问题得到显著缓解，这正是电商场景需要的。
我做了两条带货视频，一个蓝牙耳机、一个口红，都用了三张参考图（人物+产品+场景）。
第一，服装直播场景。
四张参考图：外国女主播 + 模特穿着服装三视图 + 裤子单品图 + 美式客厅场景。
让女主播在家中直播带货休闲套装，英文口播，包含展示面料、换装、全身展示版型这些动作。
提示词这样写：
女主播在家@Image4 直播带货场景@Image1，女主播语气兴奋激动，左手拿来@Image3 裤子。
[0-4s] "Okay, be honest… how many loungewear sets do you own that actually make you feel put-together?"（说完这句话，镜头怼近，手指拉伸面料特写，语气带疑问钩子）
[5-9s]（切换至女主在家中@Image4 已经变完装的画面@Image2，镜头拉至半身，手指抚摸腰上衣服面料演示细节，语气夸张）"This isn't just lounge wear. Super soft knit, stretchy, high waist. Stays put. So comfy."
[10-12s]（全身镜头展示版型）"Watch this. From couch to coffee date."
[12-15s]（语气坚定）"Link in bio. Grab yours before it sells out again."
生成结果：
这条做的是毛绒玩偶直播。重点放在玩偶的可爱外观、毛绒质感、和主播的互动感上。中文直播，语气活泼自然。
提示词这样写：
让美女@Image1 在家中@Image3 直播，介绍这只熊猫毛绒玩偶@Image2。她把玩偶拿在手里，转动展示不同角度，用手捏一捏肚子展示柔软度，再摸一摸毛绒质感。中文直播，语气自然随和，像在给朋友介绍一个好东西，表情放松，节奏不急不慢。
生成结果：
服装直播这条，面部质感挺自然的，没有那种常见的"AI 油光感"和过度磨皮。皮肤有正常的光影过渡，不是塑料感。
套装的颜色纹理还原度很高，面料质感在镜头里能看出来。主播换装前后的服装一致性也保持住了。
毛绒玩偶那条也很不错，熊猫的黑白配色和毛绒质感还原得很好，抱在怀里的动作自然，没有出现穿模或变形。
特别是人物和商品同框的时候，商品没有被"吃掉"——这对做电商素材的人来说太重要了。
中文对话
最后一个我想试的是：AI 生成的视频，声音到底能不能用？
之前大部分 AI 视频工具要么没有声音，要么声音和画面完全对不上。
HappyHorse 1.1版本台词表达更加自然，语速、停顿、语气能够根据场景与情绪变化动态调整。
我设计了一个情绪比较激烈的场景：两个同级主管因为合同出了问题，在会议室互相甩锅。
两张角色参考图：
提示词里写了四轮中文对话，每句都带情绪描写：
女人双手撑在会议桌上，表情又急又气，指着文件说："这个条款是你负责审核的，出了问题你想推给我？"
男人靠在椅背上双臂抱胸，冷笑一声说："我签字之前你说你确认过了，邮件都有记录。"
女人气得拍了一下桌子，身体前倾说："我确认的是初版！后面改了三轮你都没告诉我！"
男人站起来双手撑桌，表情严肃说："你自己不跟进怪谁，你是主管还是我是主管。"
生成结果：
中文对话的音画同步做得比我预期好。
嘴型和语速基本对得上，语气变化也有体现——女主角拍桌子的时候声音确实拔高了，男主角的冷笑语气也在。
15 秒内四轮对话稍微有点赶，最后一句话差一点说完。
如果对话多的话建议拉长时长或者分段生成。
但整体来说，AI 视频的音频终于到了一个"能用"的程度了。
