Happy Horse 1.0（fal）实操：一遍生成 1080p + 同步音频的视频

你要的如果是这种片子：

• 角色说话，口型跟声音对得上
• 直接出 1080p
• 音频和视频是“联合生成”，不是后期硬贴
• 想批量跑：一天出几十条投流素材、产品讲解、短剧片段

那 Happy Horse 1.0 这波就很对味。它的核心价值就一句话：音频 + 视频同一条链路一次生成，省掉一堆后期缝合。

下面按“能上手就能跑”的思路写，别担心术语，照着抄就行。

你能用它做什么（真实场景版）

• 电商口播：同一段产品文案，换 5 个不同人设/场景，批量出 20 条。你只管挑最好的一条投放。
• 出海广告：同一个视频脚本，换英语/西语/日语配音，口型同步，不用重新剪。
• 公司介绍/课程开场：你录好一段声音，模型负责把“讲话的画面”配出来，像一个主持人。

生成逻辑：你要准备的就三样

1. 画面意图：你希望镜头长什么样（人物、风格、机位、光线、背景）

2. 音频：一段配音（wav/mp3 均可，建议干净一点）

3. 约束条件：清晰度、时长、画幅、是否要更强的动作幅度

Happy Horse 1.0 的特点是：音频会参与视频生成，所以“说话的节奏”和“嘴部动作”通常更稳。

开始前：把音频这件事做对（省你 80% 的返工）

音频不干净，口型就容易飘，情绪也会怪。

建议这样做：

• 采样率：16k 或 48k 都行，别用奇怪的低码率。
• 干声：少混响、少背景音乐。
• 停顿别太长：中间空 2 秒那种，模型容易“尬住”。
• 语速稳定：忽快忽慢容易导致嘴部动作抽搐。

想偷懒？用任意 TTS 先出一段清晰人声也行。后面你再换真人配音。

提示词怎么写：别写散文，写“拍摄指令”

把提示词当成你在给摄影师和演员发指令。

✅ 推荐模板

• 主体：年龄/性别/气质/服装
• 镜头：半身/近景/特写、镜头稳定、对焦点
• 场景：背景简洁、办公室/厨房/街景
• 光线：柔光、电影感、自然光
• 风格：写实、商业广告、纪录片
• 动作约束：说话自然、头部微动、手势轻微

示例（适合口播）

A confident female presenter, 25-35 years old, natural makeup, wearing a simple blazer.
Medium close-up, stable camera, sharp focus on face.
Clean modern office background, soft daylight, realistic commercial style.
Natural speaking motion, subtle head movement, minimal hand gestures.

不建议：

• 写“情绪澎湃、灵魂震颤”这种词，模型不会因此更会演，只会更随机。

在 fal 上跑：两种方式（你选顺手的）

你在 fal 上的具体模型标识（model name）以控制台/文档为准。下面用“占位符”写法演示调用结构。

方式 A：控制台直接跑（适合试水）

你进 fal 控制台，找到 Happy Horse 1.0：

• 贴提示词
• 上传音频
• 选 1080p
• 提交生成

跑通一条后，再去做批量。

方式 B：用 API 批量跑（适合生产）

下面给你一个通用思路：

1. 把音频传到可访问的 URL（fal 通常支持上传/托管）
2. 调用生成接口，传入 prompt + audio_url + 输出规格
3. 拿到结果视频 URL，写入表格或数据库

Node.js 伪代码（结构示意）

import fal from "@fal-ai/serverless-client";

fal.config({ credentials: process.env.FAL_KEY });

async function run() {
  const input = {
    prompt: "你的提示词...",
    audio_url: "https://xxx/voice.mp3",
    resolution: "1080p",
    // 下面这些参数是否存在、叫什么名字，以 fal 实际文档为准
    // duration_sec: 8,
    // aspect_ratio: "9:16",
    // seed: 123,
  };

  const result = await fal.subscribe("fal-ai/happy-horse-1.0", {
    input,
    logs: true,
  });

  console.log(result);
}

run();

批量生成的最小可行流程

• 准备一个 CSV：id, prompt, audio_url
• 脚本逐行调用
• 每条任务保存：status, video_url, cost, seed/参数

你会发现这东西一旦“流水线化”，出片速度非常恐怖。

让画面更稳的 6 个小技巧（亲测好用）

• 镜头别太花：口播就“中近景 + 稳定机位”，别写无人机运镜。
• 背景越干净越稳：复杂背景容易抢算力，脸部细节会掉。
• 动作写“少”：想要自然说话，就明确“subtle / minimal”。
• 给人物一个职业身份：比如 presenter / teacher / salesperson，模型更懂“怎么演”。
• 时长别贪：你要 30 秒一镜到底？能做，但成本和翻车率都会上去。短一点，多出几条去选。
• 用固定种子做 A/B（如果支持 seed）：同一音频 + 同一 prompt，微调光线和服装，画面一致性更强。

避坑清单（少走弯路就是省钱）

• 口型不同步：大概率是音频混响重、噪音大、停顿过长。先把音频“洗干净”。
• 人物脸崩/抖动：背景太复杂、动作描述太激进、镜头写了过多运动。
• 音画像后期贴的：你可能走了“视频生成 + 另配音”的路线。要用“联合音视频生成”的接口/模式。
• 商业使用踩雷：看到“限制更少”不等于“无限制”。投放前把授权条款、素材来源、人物肖像风险看明白。

一套可直接复制的工作流（适合团队）

• 文案同学：出 10 条短脚本（每条 6–10 秒）
• 配音：用 TTS 快速出 10 条干净音频
• 你：写 3 套人物/场景提示词（共 30 个组合）
• fal 批量跑：一次出 30 条 1080p 成片
• 选片：挑 5 条最自然的，替换真人配音再跑一轮（或继续用原音频）

这套跑熟了，短视频素材真能做到“今天写，今天投”。😄

你可以直接用的提示词（3 套）

1）电商口播（干净、可信）

A friendly e-commerce host, wearing casual smart outfit.
Medium close-up, stable camera, sharp facial details.
Bright clean studio background, softbox lighting, realistic commercial look.
Natural speaking motion, subtle head movement, slight hand gestures.

2）课程讲师（更像培训/公开课）

A professional instructor in a minimal classroom.
Medium close-up, steady framing, clear eyes and mouth details.
Neutral background, soft daylight, documentary realistic style.
Calm natural speaking motion, minimal gestures.

3）出海广告（更“海外制作”质感）

A confident presenter, modern lifestyle commercial style.
Medium close-up, stable camera, cinematic but realistic lighting.
Simple background with depth of field, sharp focus on face.
Natural speaking, subtle expressions, minimal movement.

结语

Happy Horse 1.0 最爽的一点，就是把“对口型”和“1080p 出片”变成同一个动作。你不需要剪辑软件里反复对齐，也不用担心音画像拼接。

你要是愿意，把你准备做的场景（电商/课程/短剧/出海）和目标画幅（9:16 还是 16:9）发我，我可以按你的用途给一套更贴的 prompt 模板和批量任务表结构。