HappyHorse 1.1 im Test: 7 KI-Videoclips mit Prompts und Bewertung

👁 113 Aufrufe

Ich habe 7 Clips mit dem Modell HappyHorse 1.1 über OpenRouter generiert, jeweils 5 Sekunden in 720p für ca. 0,44 EUR (0,494 USD; EZB-Referenzkurs vom 12.10.2026: 1 EUR = 1,1181 USD). Drei Szenen schnitten exzellent ab (8,5/10): dieselbe Figur nach einem harten Schnitt, ein englischer Dialog und ein Image-to-Video-Clip mit einer Tasse. Zwei Versuche scheiterten deutlich: fremdsprachiger Text auf einer Tafel (3/10) sowie polnisch gesprochener Text (4,5/10). Nachfolgend finden Sie jeden Clip samt Originalprompt und Analyse. Rangliste, Preise und Verfügbarkeit finden Sie im Guide zu HappyHorse 1.1.

So wurde getestet

Alle Clips entstanden am 11. Oktober 2026 über die OpenRouter-API (alibaba/happyhorse-1.1) in 720p, 16:9, 5 Sekunden Länge, mit demselben Seed 20261008. Die Generierung dauerte 96 bis 112 Sekunden pro Clip. Jede Datei misst 1280×720 Pixel bei 24 Bildern pro Sekunde und enthält eine Tonspur. Die ersten fünf Szenen verwenden exakt dieselben Prompts wie in meiner Video-Arena vom 8. Oktober, was einen direkten Vergleich mit sechs anderen Modellen ermöglicht. Das Bewertungsschema: vier Einzelbilder (bei 8, 35, 62 und 92% der Laufzeit) plus der Gesamteindruck des Clips auf einer Skala von 0 bis 10. Gesprochene Sprache prüfe ich mit faster-whisper large-v3 und ermittle die Word Error Rate (WER), also den Anteil falsch erkannter Wörter.

Ein voller Balken entspricht 10 Punkten.

Sieben Praxistests im Detail

1. Kamera-Orbit um ein Motorrad

Einsatzbereich: Rundumansichten von Produkten, Werbe-Intros, B-Roll für Musikvideos.

A smooth 180-degree camera orbit around a vintage red motorcycle parked on a wet cobblestone street in an old European town at blue hour. The camera circles steadily from the front of the motorcycle to its back at a constant speed. Street lamps reflect in the puddles, light drizzle. The motorcycle keeps its exact shape and details. Realistic cinematic footage, real-time motion, no text, no logos.

Deutsche Übersetzung des Prompts: Eine flüssige 180-Grad-Kamerafahrt um ein rotes Vintage-Motorrad auf nassem Kopfsteinpflaster zur blauen Stunde, Laternen spiegeln sich in den Pfützen.

Bewertung: 8/10. Die Kamera bewegt sich sauber von der vorderen Seitenansicht zur hinteren Seitenansicht und vollzieht die vorgegebene halbe Drehung. Das Motorrad verliert weder Form noch Details; Pfützen und Lichtreflexionen wirken überzeugend. Ein Ergebnis auf Augenhöhe mit MiniMax H3 Max (8) und knapp hinter Wan 3.0 (8,5). Seedance 2.5 zeichnete in dieser Szene eine willkürliche schwarze Plane auf den Sattel, Veo 3.1 Lite bewegte die Kamera kaum.

2. Frau spricht Polnisch

Einsatzbereich: Video-Reels mit lokalem Dialog, Werbespots mit Sprechern vor der Kamera.

Halbnahaufnahme einer Frau in den Dreißigern, die an einem Küchentisch sitzt und direkt in die Kamera blickt. Sie sagt deutlich und ruhig auf Polnisch (deutsche Übersetzung des polnischen Originals: „In Szczebrzeszyn summt ein Käfer im Schilf, und ich zahle zweiunddreißig Einheiten der ursprünglichen polnischen Währung.“). Natürliches Tageslicht von einem Fenster, statische Kamera, realistisch, keine Untertitel, kein Bildschirmtext, keine Musik.

Deutsche Übersetzung des Prompts: Halbnahaufnahme einer Frau in ihren Dreißigern am Küchentisch, die direkt in die Kamera blickt und ruhig einen anspruchsvollen polnischen Zungenbrecher aufsagt.

Bewertung: 4,5/10. Das Bild ist stimmig, die Lippen synchronisieren sich visuell gut und die Stimme klingt natürlich. Whisper transkribierte jedoch erhebliche Lautfehler im Polnischen (6 von 12 Wörtern falsch, WER 0,5). Zum Vergleich: MiniMax H3 Max erreichte in derselben Szene eine WER von 0, Wan 3.0 kam auf 0,167 und Seedance 2.5 auf 0,583. Details dazu gibt es im Bericht zur Sprachausgabe in HappyHorse 1.1.

3. Kreideinschrift auf einer Schultafel

Einsatzbereich: Titelelemente, Beschilderungen, Produktnamen im Bildraum.

Nahaufnahme einer grünen Schultafel in einem sonnigen Klassenzimmer. Eine Hand beendet das Schreiben mit weißer Kreide. Die Schultafel zeigt deutlich genau zwei Zeilen Text in Großbuchstaben (deutsche Übersetzung des polnischen Originals: erste Zeile „VIDEO-ARENA 2026“, zweite Zeile „GELBES BOOT“). Statische Kamera, realistisch, Kreidestaub im Licht, kein weiterer Text.

Deutsche Übersetzung des Prompts: Nahaufnahme einer grünen Schultafel; eine Hand beendet das Schreiben von zwei Zeilen in Großbuchstaben (deutsche Übersetzung des polnischen Originals: „VIDEO-ARENA 2026“ und „GELBES BOOT“, im Original mit polnischen Sonderzeichen).

Bewertung: 3/10.Die Handbewegung beim Schreiben, das Licht und der Kreidestaub wirken realistisch. Der Text bricht jedoch ein: Zu sehen ist eine fehlerhafte Beschriftung im polnischen Originaltest 2026 sowie eine fehlerhafte Beschriftung im polnischen Originaltest. In der Testumgebung schrieben lediglich Wan 3.0 und MiniMax H3 Max beide Zeilen fehlerfrei. Für gerenderten Text im Frame eignet sich HappyHorse 1.1 kaum; Texte sollten nachträglich im Schnitt eingefügt werden.

4. Wasser eingießen bis zum Überlaufen

Einsatzbereich: Getränkewerbung, Gastronomieaufnahmen, Produktclips mit Flüssigkeiten.

Static close-up on a wooden kitchen table in daylight. Water is poured from a glass pitcher into an empty clear drinking glass. The stream splashes, bubbles rise, the water level rises steadily until the glass overflows and water spills onto the table and spreads into a puddle. Real-time speed, no slow motion, realistic physics, no text.

Deutsche Übersetzung des Prompts: Wasser wird aus einem Glaskrug in ein leeres Glas gegossen, der Pegel steigt, bis das Glas überläuft und sich eine Pfütze auf dem Holztisch bildet.

Bewertung: 5/10. Wasserstrahl und Bläschen sind optisch überzeugend. Die zeitliche Abfolge stimmt jedoch nicht: Die Pfütze auf dem Tisch bildet sich bereits in der zweiten Sekunde, lange bevor das Glas gefüllt ist. Denselben Fehler zeigte in der Arena auch Veo 3.1 Lite (ebenfalls 5/10). Wan 3.0 erzielte hier eine 9/10, da der Wasserstand gleichmäßig anstieg und das Glas im passenden Moment überlief.

5. Dieselbe Figur in zwei Einstellungen

Einsatzbereich: Storytelling, KI-Serien, Werbeclips mit wiederkehrenden Darstellern.

Two shots separated by one hard cut. Shot 1: wide shot of a young woman with short red hair, round black glasses, a yellow raincoat and a black backpack walking along a rainy city street at night with neon reflections on the wet pavement. Hard cut. Shot 2: close-up of the same woman with the same short red hair, the same round black glasses and the same yellow raincoat as she stops under a shop awning and looks up at the rain. Realistic, cinematic, no text.

Deutsche Übersetzung des Prompts: Zwei Einstellungen mit hartem Schnitt: erst eine Totale einer Frau im gelben Regenmantel bei Nachtregen, danach eine Nahaufnahme derselben Frau unter einer Markise.

Bewertung: 8,5/10. Der Schnitt sitzt punktgenau. Gesicht, Brille, Regenmantel und Rucksackträger bleiben über die Einstellungsgrenze hinweg konsistent. Einziges Detail: In der Nahaufnahme wirken die Haare minimal länger. Das ist besser als bei MiniMax H3 Max (7,5; veränderte die Frisur zu einem Bob mit Pony) und Seedance 2.5 (6; Kapuze verdeckte die Haare). Lediglich Wan 3.0 schnitt mit 9/10 noch stärker ab.

6. Fischer spricht Englisch

Einsatzbereich: Englischsprachige Werbeclips, Social Content, Dokus im Handkamera-Stil.

Medium shot of an elderly fisherman with a grey beard sitting on a wooden pier at sunrise, mending a net. He looks up at the camera, smiles and says in English: "The sea gives you exactly what you have patience for." Gentle waves, seagulls in the distance, warm golden light, handheld documentary style, realistic, no subtitles, no text.

Deutsche Übersetzung des Prompts: Ein älterer Fischer mit grauem Bart flickt bei Sonnenaufgang ein Netz auf einem Holzsteg, blickt auf und spricht einen englischen Satz über das Meer und die Geduld.

Bewertung: 8,5/10. Whisper erkannte den englischen Satz ohne jeden Fehler (WER 0), und die Lippenbewegungen stimmen mit dem Ton überein. Einen Punktabzug gibt es für einen unaufgeforderten Schnitt: Zu Beginn ist ganz kurz eine Nahaufnahme der Hände zu sehen, bevor in die Halbnahaufnahme gewechselt wird. Da dasselbe Modell bei nicht-englischer Sprache stark abfällt, liegt die Schwäche klar im Sprachtraining, nicht in der Audio-Synthese an sich.

7. Image-to-Video: Tasse und Kaffee

Einsatzbereich: Belebung von Produktfotos, E-Commerce-Assets, atmosphärische Zwischenschnitte.

Das Ausgangsbild (eine grüne Keramiktasse auf einem Eichentisch) habe ich vorab mit Qwen-Image 3 über OpenRouter für ca. 0,027 EUR (0,03 USD; EZB-Referenzkurs vom 12.10.2026: 1 EUR = 1,1181 USD) generiert:

Slow camera push-in on the green ceramic mug. Hot black coffee is poured into the mug from above in a thin stream, steam rises and curls in the sunlight, dust particles float in the window light. Sound of pouring coffee and a quiet morning kitchen. Realistic, no text, no logo.

Deutsche Übersetzung des Prompts: Langsame Kamerafahrt auf die grüne Tasse zu; heißer Kaffee wird eingegossen, Dampf steigt auf, Geräusche einer ruhigen morgendlichen Küche.

Bewertung: 8,5/10. Die Kamerafahrt ist ruhig, die Tasse behält exakt Form und Textur des Ausgangsbilds bei, der Kaffee fließt in feinem Strahl und der Dampf steigt realistisch auf. Einziger Nebeneffekt: Kaffeebohnen am Bildrand wandern durch die Zoomfahrt aus dem Bild, was jedoch der realen Kamerabewegung entspricht. Das zeigt gut, warum das Modell bei Image-to-Video tendenziell stärker abschneidet als bei reinem Text-to-Video.

Offizielle Prompts zum Ausprobieren

Alibaba stellt in der Regel keine Videodateien samt Prompts frei zur Verfügung; im offiziellen Blogbeitrag findet sich lediglich ein GIF ohne Parameter. Die folgenden Prompts stammen aus der Dokumentation und der Launch-Kampagne. Sie wurden hier nicht gerendert und dienen als Referenzmaterial.

Stadt aus Karton (Dokumentation, Text-to-Video)

A miniature city built from cardboard and bottle caps comes to life at night. A cardboard train slowly passes through, with small lights dotting the scene and illuminating the way ahead.

Deutsche Übersetzung: Eine Miniaturstadt aus Pappe und Kronkorken erwacht nachts zum Leben, während ein Pappzug mit winzigen Lichtern hindurchfährt. Quelle: Alibaba Cloud Dokumentation.

Tanz mit Stilwechsel (Alibaba Cloud Kampagne)

A girl is dancing gracefully. As she spins around in a full turn, the entire scene seamlessly transforms from a cartoon style into a realistic live-action setting.

Deutsche Übersetzung: Ein tanzendes Mädchen dreht sich um die eigene Achse, wobei die Szene nahtlos vom Zeichentrickstil in realistische Filmaufnahmen übergeht. Quelle: HappyHorse Kampagnenseite.

Dance-Battle zweier Charaktere (fal.ai, Referenzmodus)

A dance battle between character1 and character2, cinematic lighting, smooth camera movement.

Deutsche Übersetzung: Ein Dance-Battle zwischen zwei Charakteren basierend auf hochgeladenen Bildreferenzen („character1“ und „character2“), filmische Ausleuchtung, ruhige Kameraführung. Dieser Referenzmodus wurde hier nicht selbst getestet.

Community-Vorlagen

Auf happyhorse.com existiert eine Galerie mit nutzergenerierten Vorlagen, darunter ein Welpe im Bienenkostüm über drei Einstellungen, ein 15-Sekunden-Clip mit sekundengenauer Szenenaufteilung oder ein 80er-Jahre-Horrorszenario mit fünf Bildreferenzen. Die Prompts sind dort komplett einsehbar. Da die Urheberrechte und Lizenzen der Community-Einsendungen variieren, werden diese hier nicht direkt eingebettet. Der Vorzeigefilm „Are You Happy - HappyHorse 1.1 Is Now Available“ (2:21 Min., 23.06.2026) lässt sich direkt auf der Plattform ansehen.

Praxiserkenntnisse für Ihre Workflows

• Prompts und Dialoge auf Englisch verfassen: Nicht-englische Sprachanteile führen derzeit zu deutlichen Aussprache- und Transkriptionsfehlern.
• Keinen Text im Frame erwarten: Schriften und Schilder rendert das Modell fehlerhaft. Solche Elemente sollten stets in der Postproduktion ergänzt werden.
• Image-to-Video bevorzugen: Wer präzise Produkt- oder Objektdetails benötigt, erzielt mit einem generierten oder fotografierten Startbild die saubersten Ergebnisse.
• Schnitte explizit anweisen: Strukturierte Anweisungen wie „Shot 1“, „Hard cut“ und „Shot 2“ setzt das Modell zuverlässig um.

Wie sich HappyHorse 1.1 im direkten Vergleich mit Wan 3.0, Seedance und MiniMax schlägt, lesen Sie im Vergleichstest der vier Video-Modelle. Weitere Benchmarks finden Sie in der Video-Arena und in unserer Rangliste der KI-Videogeneratoren.

// weiterlesenIdeogram 4.5: 15 Grafikstile im Test mit PromptsBenchmarksWas kann FLUX 3 Video? 8 eigene Clips mit Prompts im TestBenchmarksPIDS-Bench: Wie schwach Prompt-Injection-Detektoren wirklich sindBenchmarks