የኦራ 2 የምስል ሞዴል ማስጀመሪያ ፊልም

ጠይቁኝ፦ የምርት ስሜን፣ የአንድ መስመር ቃና፣ አርማዬ፣ ከ3 እስከ 6 የምርቱ ቅጽበታዊ ገጽ እይታዎች፣ ከ40 በላይ የሚፈጥረውን (ወይም የእሱን ፎቶዎች)፣ የምርት ቀለሞቼንና ቅርጸ-ቁምፊዬን፣ የElevenLabs API ቁልፍ እና የድምጽ መታወቂያ፣ እንዲሁም ግልጽ የሆነ ጠብታ ያለው ሮያሊቲ-ነጻ ትራክ (የድምጽ ፋይሉ እና የመጣል የጊዜ ማህተም)። ማንኛውንም ነገር ከዘለልኩ፣ እነዚህን ነባሪዎች ተጠቀም፦ "Ora 2", "ለጣዕም የተሰራ የምስል ሞዴል"፣ ከ Unsplash እና Pixabay፣ Geist ፣ ink #111214፣ በ eleven_v4 ላይ የSamara X (19STyYD15bswVz51nqLf) ድምጽ፣ እና Pixabay "Cascade Breathe" (129.83 BPM ፣ በ75.39s ላይ ይጣሉ)።

<script>
በዚህ ቅርጸት የ9-መስመር ድምጽ ጻፍ እና እያንዳንዱን መስመር ከምርቴ ጋር አስተካክል፡
"ይህ [ስም] ነው። [ምድብ]... ለ[ዋጋ] የተገነባ። [ግስ] በማንኛውም ዘይቤ። [ግብዓት] ይስጡት - እና እሱ... ይረዳል። በተጠቀሙበት ቁጥር፣ የተሻለ ይሆናል። [ቅንብሩን] ያስተካክሉት። [ቅንብሩን]። [ቅንብሩን]። [ቅንብሩን]። እያንዳንዱ [ውጤት] - ልክ እንደሳሉት። [ስም]። አሁን ይውጡ።"
የስሜት መለያዎችን በትንሹ ተጠቀም፡ በጸጥታ መስመሮች ላይ [በለስላሳ] እና በ[ግስ] መስመር ላይ [በደስታ]። መክፈቻውን ምልክት አታድርግበት፣ እና በቀላል ሙሉ ማቆሚያ አትጨርሰው።
</script>

ያለ MCP ቁልፉን በመጠቀም የ ElevenLabs API ን በቀጥታ ይደውሉ። በአንድ ማለፊያ ውስጥ 4 ሙሉ ስክሪፕት ይወስዳል እና እኔ እንድመርጥ ፍቀድልኝ። አንድ መስመር ትክክል ካልሆነ፣ ያንን መስመር 4 ጊዜ እንደገና ያድሱ እና ምርጡን ስሪት ከኔ እይታ ጋር ያገናኙ።
ከ0.28 ሰከንድ በላይ የሆኑ ቆምሶችን ወደ 0.2 ሰከንድ ያሳጥሩ፣ ከዚያም እያንዳንዱን ሐረግ ወደ መካከለኛው ደረጃ 85% ያመጣሉ፣ በቆም ጊዜ ብቻ ትርፍን ያስተካክሉ።
ለቃላት ጊዜ አቆጣጠር፣ ንባቡን በ100 ሚሴ ወይም ከዚያ በላይ በሆነ የእረፍት ጊዜ ይከፋፍሉት፣ እያንዳንዱን ክፍል በዊስፐር ለብቻው ይገልብጡት፣ እና የመጀመሪያውን ቃል ከተለካው ጅምር ጋር ያስተካክሉት። አንድ የዊስፐር ማለፊያ ቃላትን እስከ ግማሽ ሰከንድ ዘግይቶ ማስቀመጥ ይችላል።

በ60fps 1440x1440 በ22 ሰከንድ የሚፈጅ አራት ማዕዘን ቅርጽ ያለው የፊልም ማስጀመሪያ ፊልም፣ በAI ላብራቶሪ ማስጀመሪያ አይነት፡ ነጭ ሸራ፣ አንድ የፊደል አጻጻፍ፣ ጥቁር ቀለም፣ እውነተኛ ምስሎች እና ቃል በቃል የሚተይቡ የመግለጫ ጽሑፎች።
እያንዳንዱ የመቆጣጠሪያ (የጊዜ ሰሌዳ፣ የቅንብሮች ፓነል፣ የመግለጫ ጽሑፍ ክኒን) ፈሳሽ ብርጭቆ ይጠቀማል፡ ከኋላው ያለውን ትዕይንት ያቀዘቅዛል፣ ያንን ትዕይንት እንደ ወፍራም ብርጭቆ ጠርዝ ላይ ያጠፍጡት፣ ከዚያም የላይኛው አንጸባራቂ፣ ደማቅ ጠርዝ እና ለስላሳ የማንሳት ጥላ ይጨምሩ። ብርጭቆው በነጭ ቀለም ላይ ይጠፋል፣ ስለዚህ በምርት ቀለሞቼ ውስጥ ቀስ ብሎ የፓስቴል ኦውራ ወይም ከኋላው ያለውን ፎቶ ብዥ ያለ ማጠብ ይጨምሩ።
አንደኛው የቃላት አይነቶችን በብራንዴ ቀለሞቼ ቅልመት፣ ከኋላውም ደካማ ብርሃን ያለው አፅንዖት ሰጥቷል።
የእንቅስቃሴ ደንቦች፡ ካሜራው እንዲንሳፈፍ ያድርጉ (በአንድ ትዕይንት ከ1.0 ወደ 1.04 ይግፉ፤ ይዘቱ ወደሚቀጥለው ትዕይንት ሲሄድ፣ ቀዳሚው ትዕይንት ካለቀበት ማጉላት ይጀምሩ)። ምንም ነገር ወዲያውኑ አይታይም፡ ቢያንስ 0.3 ዎች የቀለሉ ፌዞችን ይጠቀሙ። ምስሎችን በ16ኛው ማስታወሻዎች ላይ ይቀይሩ፣ ለእያንዳንዱ ጠቅታ። በሐረግ ላይ የመሬት ገጽታ ለውጦች ይጀምራሉ፣ እና የሙዚቃውን ጠብታ ከ[ግስ] መስመር ጋር ያስተካክሉ። በማያ ገጹ ላይ ሙሉ ማቆሚያዎችን አታሳይ።
የታገደ፡ የምርጫ-ሳጥን ድምቀቶች፣ የቢት-ስናፕ slams፣ ነጭ ብልጭታዎች፣ 3D፣ አብነቶች።

ሰባት ትዕይንቶች፣ ለድምፅ የተሰጡ ጊዜዎች፡

1. "ይህ [ስም] ነው": የምስሎቼ ኮላጅ ስሙ በትልቅ ሲተይብ ይወጣል፣ ከዚያም ለምድብ መስመሩ ቦታ ይሰጣል።
2. "ለ[ዋጋ] የተሰራ": የምርጥ ምስሎቼ ሙሉ ማያ ገጽ ብልጭታዎች በ16ኛው ማስታወሻዎች ላይ ወደ ታች ሲቀየሩ መስመሩ በላያቸው ላይ በነጭ ተይቧል።
3. መውረጃው፡ የመስታወት ፕሮምፕል ባር አጭር ፕሮምፕልን ይተይባል። የውጤት ካርዱ በየ16ኛው ኖት ቅጥ ይለውጣል፣ ጥቁር ስታይል ቺፕ ደግሞ ከትንሽ ምስል መስመር በላይ ወዳለው እያንዳንዱ አዲስ ስም ይንከባለላል።
4. "የሞድቦርድ አሳይ"፡ 9 ምስሎች ወደ 3x3 ፍርግርግ ይበርራሉ፣ ከዚያም "It get you" የሚለውን በማያ ገጹ ላይ ሲተይቡ ውጤቱን ክብ ያድርጉ።
5. "በብዛት በተጠቀምክበት ቁጥር የተሻለ ይሆናል"፡ ሁለት መስመሮችን ተይብ፣ በቅልመት ውስጥ የተጎላበተውን ቃል አስገባ።
6. ቅንብሮቹ፡- እያንዳንዳቸው እንደሰየሟት የሚንቀሳቀሱ 3 ተንሸራታቾች ያሉት የመስታወት ፓነል ያሳዩ። የምስሉን ቀለም ይቀይሩ፣ በ16ኛው ቀን አዲስ ዘሮችን ያንከባልሉ፣ ከዚያም ወደ ፖስተር ይቀይሩት። በመስታወቱ ጀርባ ያለውን የደበዘዘ ማጽጃ በማመሳሰል ይቀይሩት።
7. "እያንዳንዱ [ውጤት]፣ በትክክል እንዴት እንደሚያዩት"፡- 120 ምስሎቼን ከመስታወት መግለጫ ክኒን ጀርባ መሃል ላይ ወደ ውጭ ገልብጠው፣ ከዚያም ስሙ ሲተይብ ወደ አርማዬ አንድ ላይ አመጣኋቸው። "አሁን አውት" የሚለውን ከታች አስቀምጠው ለ2 ሰከንዶች ያህል ይያዙት።

የጥያቄ አሞሌውን፣ ውጤቶቹን እና ተንሸራታቾቹን በምርቴ እውነተኛ ግብዓት፣ ውጤቶቹ እና ቅንብሮች ተካ።

ዘፈኑን ጠብታ በ[ግስ] መስመር ላይ እንዲያርፍ አድርገው ያዘጋጁት፣ እና የቢት ፍርግርግ እዚያው ላይ ያቁሙ።
ሙዚቃውን በ3-ባንድ የጎን ሰንሰለት (ዝቅተኛው 30%፣ መካከለኛው 85%፣ አየር 55%፤ 0.3 ሴኮንድ መያዝ፣ 50 ሚሴስ ወደፊት መመልከት፣ 0.5 ሴኮንድ መለቀቅ) ከድምጽ ስር አስቀምጠው። ከዚያም ድምፁ ከሙዚቃው በ300 Hz እና 4 kHz መካከል 9 dB አካባቢ እስኪሆን ድረስ የእያንዳንዱን ሐረግ መካከለኛ ክፍል ያስተካክሉ።
በተለካው ጫፍ ላይ በተቀመጠው በእያንዳንዱ ክስተት የወረደ Mixkit SFX ይጠቀሙ፦ ለእያንዳንዱ የምስል ለውጥ አንድ ጠቅታ፣ ለእያንዳንዱ የተተየበ ፊደል ቁልፍ ድምፅ፣ በተደመቀው ቃል ላይ ለስላሳ ማረፊያ፣ ውሆሽ እና በመውደቅ እና አርማ ላይ ተጽዕኖዎች። እያንዳንዱን ጫፍ ዙሪያ ይከርክሙ (ብዙ መወጣጫዎች 4 ሰከንዶች ናቸው)። ሙዚቃውን ከመጨረሻው ካርድ በታች ባለው dB ኩርባ ላይ ያደብዝዙ። እስከ -14 LUFS ድረስ ጮክ ብለው ይናገሩ።

1. አንድ HTML ሸራ። እያንዳንዱ ፍሬም በSearch(t) ውስጥ የጊዜ ንፁህ ተግባር ነው፣ እና እያንዳንዱ መግለጫ ፅሁፍ እና ቁረጥ የቃላት ሰንጠረዥን ይከተላል።
2. ብርጭቆ፡ ከቅርጹ ጀርባ ያለውን ሸራ ይያዙ፣ ለሰውነትዎ 14 ፒክስል ያህል ያደበዝዙት፣ በጠርዙ በኩል በ12 ፒክስል ባንድ ውስጥ 1.06x ያህል በትንሹ የተደበዘዘ ቅጂ ይሳሉ፣ ከዚያም ወተቱን፣ አንጸባራቂውን፣ ጠርዙን እና ጥላውን ይጨምሩ።
3. በ60fps Playwright አማካኝነት 8 motion-blur subframes በመጠቀም ይስሩ፣ ከዚያም በ ffmpeg ኮድ ይፍጠሩ።
4. ማንኛውንም ነገር ከማሳየቴ በፊት፣ የቁም ስዕሎችን የእውቂያ ወረቀት ይስሩ፣ ለነጠላ-ፍሬም ፖፕስ የፍሬም ልዩነቶችን ይቃኙ (የ16ኛው-ኖት ሩጫዎች ብቻ ሊዘሉ ይችላሉ)፣ እና ለእያንዳንዱ ሐረግ የድምጽ-ወደ-ሙዚቃ ጥምርታን ያረጋግጡ።

[ሞቅ ያለ] መክፈቻ በሹክሹክታ ሊሰማ ይችላል፣ [በደስታ] ደግሞ የውሸት ሊመስል ይችላል። ከቃላት ጀርባ ያለው የማድመቂያ ሳጥን የዊንዶውስ የጽሑፍ ምርጫ ይመስላል። ካሜራው በሚተላለፍበት ጊዜ ወደ 1.0 ከተመለሰ፣ ማጉላት ይቆማል። 0.05s ፋድ እንደ ፈጣን ብቅ-ባይ ይመስላል።

ግብዓቶቹን ጠይቁኝ፣ ስክሪፕቱን ይፃፉ፣ ከሚከተሉት ውስጥ 4 የድምጽ ቀረጻዎችን ይላኩልኝ፣ ከዚያም ከሙሉ ቀረጻው በፊት 8 ቀረጻዎችን አሳዩኝ።

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.

ጥያቄው የተወሰደው ከ ልጥፍ @rossaxbt.