Opstel: Ora 2 beeldmodel bekendstellingsfilm

Vra my vir: my produknaam, 'n eenreël-aanbieding, my logo, 3 tot 6 skermkiekies van die produk, 40+ beelde van wat dit skep (of foto's daarvan), my handelsmerk se kleure en lettertipe, 'n ElevenLabs API-sleutel en stem-ID, plus 'n tantième-vrye snit met 'n duidelike "drop" (die klanklêer en die "drop"-tydstempel). As ek enigiets oorslaan, gebruik hierdie verstekwaardes: "Ora 2", "'n beeldmodel gemaak vir smaak", gratis beelde van Unsplash en Pixabay, Geist, ink #111214, die stem Samara X (19STyYD15bswVz51nqLf) op eleven_v4, en Pixabay "Cascade Breathe" (129.83 BPM, "drop" teen 75.39s).

<script>
Skryf 'n 9-reël stemopname in hierdie formaat en pas elke reël aan by my produk:
"Dit is [naam]. 'n [kategorie]... gebou vir [waarde]. [Werkwoord] in ENIGE styl. Gee dit 'n [invoer] - en dit verstaan net... Hoe meer jy dit gebruik, hoe BETER word dit. Pas sy [instelling] aan. Sy [instelling]. Sy [instelling]. Elke [uitvoer] - presies soos jy dit voorgestel het. [Naam]. Nou uit."
Gebruik emosie-etikette spaarsamig: [saggies] op die stil reëls en [opgewonde] op die [Werkwoord]-reël. Moenie die openingsfrase etiketteer nie en eindig dit met 'n gewone punt.
</script>

Roep die ElevenLabs API direk met my sleutel, sonder 'n MCP. Genereer 4 volledige skripte in een keer en laat my kies. As 'n reël nie reg klink nie, regenereer net daardie reël 4 keer en voeg die beste weergawe in my weergawe in.
Verkort pouses langer as 0.28s tot 0.2s, bring dan elke frase 85% van die pad na die mediaanvlak, en pas die versterking slegs tydens pouses aan.
Vir woordtydsberekening, verdeel die leesstuk in pouses van 100 ms of langer, transkribeer elke segment afsonderlik met Whisper, en pas die eerste woord by die gemete aanvangstydperk aan. 'n Enkele Whisper-deurgang kan woorde tot 'n halwe sekonde laat plaas.

'n Vierkantige bekendstellingsfilm van 22 sekondes, 1440x1440 teen 60 fps, in die styl van 'n KI-laboratoriumbekendstelling: wit doek, een lettertipe, swart ink, regte beelde en onderskrifte woord vir woord getik op die presiese tydstip wat hulle uitgespreek word.
Elke kontrole (aanwysingsbalk, instellingspaneel, onderskrifpil) gebruik vloeibare glas: versier die toneel daaragter, buig die toneel langs die rand soos dik glas, voeg dan 'n boonste glans, helder rand en sagte ligskaduwee by. Glas verdwyn op gewone wit, so voeg 'n stadige pastel aura in my handelsmerkkleure of 'n vae was van die foto daaragter by.
Die een het woordtipes in 'n gradiënt van my handelsmerkkleure beklemtoon, met 'n dowwe gloed daaragter.
Bewegingsreëls: hou die kamera aan die dryf (stoot van 1.0 na 1.04 per toneel; wanneer inhoud na die volgende toneel beweeg, begin by die zoom waar die vorige toneel geëindig het). Niks verskyn onmiddellik nie: gebruik verligte vervagings van ten minste 0.3 sekondes. Verander beelde op 16de note, met 'n klik vir elk. Land toneelveranderings met frasebegin, en belyn die musiekdruppel met die [Werkwoord]-lyn. Moenie punte op die skerm wys nie.
Verban: seleksieboks-hoogtepunte, maat-gebreekte slams, wit flitse, 3D, sjablone.

Sewe tonele, getime op die stem:

1. "Dit is [naam]": 'n collage van my beelde dryf uit soos die naam groot getik word, en maak dan plek vir die kategorie-lyn.
2. "gemaak vir [waarde]": volskermflitse van my beste beelde skakel 16de note in die druppel aan, met die lyn in wit daaroor getik.
3. Die druppel: 'n glaspromptbalk tik 'n kort prompt. Die resultaatkaart verander styl elke 16de noot, terwyl 'n swart stylskyfie na elke nuwe naam bo 'n duimnaelstrip rol.
4. "Wys dit 'n buiebord": 9 beelde vlieg in 'n 3x3-rooster, en omkring dan die resultaat terwyl "Dit kry jou" op die skerm tik.
5. "Hoe meer jy dit gebruik, hoe beter word dit": tik twee reëls, met die beklemtoonde woord in die gradiënt.
6. Die instellings: wys 'n glaspaneel met 3 skuifbalkies, elk beweeg soos sy dit noem. Verskuif die beeld se kleur, rol nuwe sade op 16de, en verander dit dan in 'n plakkaat. Verskuif 'n vae was van sy kleure agter die glas in sinchronisasie.
7. "Elke [uitset], presies soos jy dit sien": bars 120 van my beelde na buite vanaf die middel agter 'n glas-onderskrifpil, bring hulle dan saam in my logo soos die naam tik. Plaas "Nou uit" onder en hou vir 2 sekondes.

Vervang die aanwysingsbalk, resultate en skuifbalke met my produk se werklike invoer, uitvoer en instellings.

Stel die liedjie sodat die druppel op die [Verb]-lyn land, en anker die maatrooster daar.
Duik die musiek onder die stem met 'n 3-band syketting (lae note 30%, middel 85%, lug 55%; 0.3s hou, 50ms vooruitkyk, 0.5s loslaat). Pas dan die middel van elke frase aan totdat die stem ongeveer 9 dB bo die musiek tussen 300 Hz en 4 kHz is.
Gebruik een afgelaaide Mixkit SFX per gebeurtenis, geposisioneer volgens sy gemete piek: 'n klik vir elke beeldverandering, 'n sleutelklank vir elke getikte letter, 'n sagte landing op die beklemtoonde woord, "shoosh"-geluide, en impakte op die "drop" en logo. Sny elkeen om sy piek (baie stygers is 4 sekondes). Vervaag die musiek langs 'n dB-kurwe onder die eindkaart. Hardnorm na -14 LUFS.

1. Een HTML doek. Elke raam is 'n suiwer funksie van tyd binne seek(t), en elke onderskrif en snit volg die woordtabel.
2. Glas: leg die doek agter die vorm vas, vervaag dit ongeveer 14px vir die liggaam, teken 'n liggies vervaagde kopie vergroot ongeveer 1.06x in 'n 12px-band langs die rand, voeg dan die melk, glans, rand en skaduwee by.
3. Render met Playwright teen 60fps met 8 bewegingsonscherpte subrame, en kodeer dan met ffmpeg.
4. Voordat jy my enigiets wys, maak 'n kontakblad van stilstaande foto's, skandeer raamverskille vir enkelraam-plop-geluide (slegs die 16de-noot lopies mag spring), en kontroleer die stem-tot-musiek-verhouding vir elke frase.

’n [Warm] openingswoord kan gefluister klink, terwyl [opgewonde] vals kan voel. ’n Merkblokkie agter ’n woord lyk soos ’n Windows-tekskeuse. As die kamera tydens ’n oordrag na 1.0 terugkeer, klik die zoom. ’n Vervaag van 0.05 sekondes lyk soos ’n kits-inspring.

Vra my vir die insette, skryf die draaiboek, stuur vir my 4 stemopnames om van te kies, en wys my dan 8 stilfoto's voor die volledige weergawe.

Ask me for: my product name, a one-line pitch, my logo, 3 to 6 screenshots of the product, 40+ images of what it creates (or photos of it), my brand colors and font, an ElevenLabs API key and voice ID, plus a royalty-free track with a clear drop (the audio file and the drop timestamp). If I skip anything, use these defaults: "Ora 2", "an image model made for taste", free images from Unsplash and Pixabay, Geist, ink #111214, the voice Samara X (19STyYD15bswVz51nqLf) on eleven_v4, and Pixabay "Cascade Breathe" (129.83 BPM, drop at 75.39s).

<script>
Write a 9-line voiceover in this format and adapt every line to my product:
"This is [name]. A [category]... built for [value]. [Verb] in ANY style. Give it a [input] - and it just... understands. The more you use it, the BETTER it gets. Adjust its [setting]. Its [setting]. Its [setting]. Every [output] - exactly as you pictured it. [Name]. Out now."
Use emotion tags sparingly: [softly] on the quiet lines and [excited] on the [Verb] line. Don't tag the opener, and end it with a plain full stop.
</script>

Call the ElevenLabs API directly using my key, without an MCP. Generate 4 full-script takes in one pass and let me choose. If a line doesn't sound right, regenerate just that line 4 times and splice the best version into my take.
Shorten pauses longer than 0.28s to 0.2s, then bring each phrase 85% of the way toward the median level, adjusting gain only during pauses.
For word timings, split the read at pauses of 100ms or longer, transcribe each segment separately with Whisper, and align its first word to the measured onset. A single Whisper pass can place words up to half a second late.

A 22-second square launch film, 1440x1440 at 60fps, in the style of an AI lab launch: white canvas, one typeface, black ink, real images, and captions typed word by word at the exact time they're spoken.
Every control (prompt bar, settings panel, caption pill) uses liquid glass: frost the scene behind it, bend that scene along the edge like thick glass, then add a top sheen, bright rim and soft lift shadow. Glass disappears on plain white, so add a slow pastel aura in my brand colors or a blurred wash of the photo behind it.
The one emphasized word types in a gradient of my brand colors, with a faint glow behind it.
Motion rules: keep the camera drifting (push from 1.0 to 1.04 per scene; when content moves to the next scene, start at the zoom where the previous scene ended). Nothing appears instantly: use eased fades of at least 0.3s. Change images on 16th notes, with a click for each. Land scene changes on phrase starts, and align the music drop with the [Verb] line. Don't show full stops on screen.
Banned: selection-box highlights, beat-snapped slams, white flashes, 3D, templates.

Seven scenes, timed to the voice:

1. "This is [name]": a collage of my images drifts out as the name types in large, then gives way to the category line.
2. "made for [value]": full-screen flashes of my best images switch on 16th notes into the drop, with the line typed in white over them.
3. The drop: a glass prompt bar types a short prompt. The result card changes style every 16th note, while a black style chip rolls to each new name above a thumbnail strip.
4. "Show it a moodboard": 9 images fly into a 3x3 grid, then circle the result as "It gets you" types on screen.
5. "The more you use it, the better it gets": type two lines, with the emphasized word in the gradient.
6. The settings: show a glass panel with 3 sliders, each moving as she names it. Shift the image's hue, roll new seeds on 16ths, then turn it into a poster. Shift a blurred wash of its colors behind the glass in sync.
7. "Every [output], exactly how you see it": burst 120 of my images outward from the center behind a glass caption pill, then bring them together into my logo as the name types on. Put "Out now" underneath and hold for 2s.

Replace the prompt bar, results and sliders with my product's real input, outputs and settings.

Set the song so the drop lands on the [Verb] line, and anchor the beat grid there.
Duck the music under the voice with a 3-band sidechain (lows 30%, mids 85%, air 55%; 0.3s hold, 50ms look-ahead, 0.5s release). Then adjust the mids of each phrase until the voice sits about 9 dB above the music between 300 Hz and 4 kHz.
Use one downloaded Mixkit SFX per event, positioned by its measured peak: a click for each image change, a key sound for every typed letter, a soft landing on the emphasized word, whooshes, and impacts on the drop and logo. Trim each around its peak (many risers are 4 seconds). Fade the music along a dB curve under the end card. Loudnorm to -14 LUFS.

1. One HTML canvas. Every frame is a pure function of time inside seek(t), and every caption and cut follows the word table.
2. Glass: capture the canvas behind the shape, blur it about 14px for the body, draw a lightly blurred copy magnified about 1.06x in a 12px band along the edge, then add the milk, sheen, rim and shadow.
3. Render with Playwright at 60fps using 8 motion-blur subframes, then encode with ffmpeg.
4. Before showing me anything, make a contact sheet of stills, scan frame differences for single-frame pops (only the 16th-note runs may jump), and check the voice-to-music ratio for every phrase.

A [warmly] opener can sound whispered, while [excited] can feel fake. A highlight box behind a word looks like a Windows text selection. If the camera resets to 1.0 during a handoff, the zoom snaps. A 0.05s fade looks like an instant pop-in.

Ask me for the inputs, write the script, send me 4 voice takes to choose from, then show me 8 stills before the full render.

Aanwysing geneem van pos @rossaxbt.