Филм за представянето на модела Ora 2

Попитай ме за: името на продукта ми, едноредово описание, логото ми, 3 до 6 скрийншота на продукта, над 40 изображения на това, което създава (или негови снимки), цветовете и шрифта на моята марка, ключ за API на ElevenLabs и идентификатор на гласа, плюс песен без авторски права с ясно указание за падане (аудиофайлът и времевият отпечатък на падането). Ако пропусна нещо, използвай тези настройки по подразбиране: „Ora 2“, „модел на изображение, създаден за вкус“, безплатни изображения от Unsplash и Pixabay, Geist, мастило #111214, гласът на Samara X (19STyYD15bswVz51nqLf) на eleven_v4 и Pixabay „Cascade Breathe“ (129.83 BPM, темпо 75.39s).

<script>
Напишете 9-редов гласов текст в този формат и адаптирайте всеки ред към моя продукт:
„Това е [име]. [категория]... създадена за [стойност]. [глагол] във ВСЕКИ стил. Дайте му [вход] - и то просто... разбира. Колкото повече го използвате, толкова ПО-ДОБЪР става. Настройте неговата [настройка]. Неговата [настройка]. Неговата [настройка]. Всеки [изход] - точно както сте си го представили. [Име]. Вече е навън.“
Използвайте етикетите за емоции пестеливо: [тихо] в тихите реплики и [развълнуван] в реда [Verb]. Не добавяйте етикет към началото и завършете с обикновена точка.
</script>

Извикайте директно ElevenLabs API, използвайки моя ключ, без MCP. Генерирайте 4 дубъла с пълен скрипт наведнъж и оставете ме да избера. Ако даден ред не звучи правилно, генерирайте регенерирано само този ред 4 пъти и вмъкнете най-добрата версия в моя дубъл.
Скъсете паузите, по-дълги от 0,28 секунди, до 0,2 секунди, след което удължете всяка фраза с 85% до средното ниво, като регулирате усилването само по време на паузите.
За синхронизиране на думите, разделете четенето на паузи от 100 ms или повече, транскрибирайте всеки сегмент поотделно с Whisper и подравнете първата му дума с измереното начало. Еднократно преминаване на Whisper може да закъснее с думи до половин секунда.

22-секунден квадратен филм за стартиране, 1440x1440 при 60 кадъра в секунда, в стила на стартиране на лаборатория с изкуствен интелект: бяло платно, един шрифт, черно мастило, реални изображения и надписи, изписани дума по дума в точния момент, в който са изговорени.
Всеки контрол (лента за подкани, панел с настройки, таблетка с надписи) използва течно стъкло: замразете сцената зад него, огънете я по ръба като дебело стъкло, след което добавете горен блясък, ярък ръб и мека повдигната сянка. Стъклото изчезва върху обикновено бяло, така че добавете бавна пастелна аура в моите цветове на марката или размазано измиване на снимката зад него.
Единият подчертаваше типовете думи в градиент от цветовете на моята марка, с леко сияние зад него.
Правила за движение: дръжте камерата да се движи (натискайте от 1.0 до 1.04 на сцена; когато съдържанието премине към следващата сцена, започнете от увеличението, където е завършила предишната сцена). Нищо не се появява мигновено: използвайте плавни преходи от поне 0.3 секунди. Сменяйте изображенията на 16-те ноти, с щракване за всяка. Сменяйте сцените в началото на фразите и подравнете падането на музиката с линията [Verb]. Не показвайте точки на екрана.
Забранени: акценти в полето за селекция, заснети от бийтове удари, бели светкавици, 3D, шаблони.

Седем сцени, синхронизирани с гласа:

1. „Това е [име]“: колаж от мои изображения се появява, докато името се пише с големи букви, след което отстъпва място на реда с категориите.
2. „създадено за [стойност]“: проблясъци на цял екран от най-добрите ми изображения превключват на 16-ти ноти в капката, като линията е написана с бяло върху тях.
3. Падането: стъклена лента с подкани въвежда кратка подкана. Картата с резултата променя стила на всяка шестнадесета нота, докато черен чип със стил се търкаля до всяко ново име над лентата с миниатюри.
4. „Покажи му табло за настроение“: 9 изображения се подреждат в мрежа 3x3, след което резултатът се огради, докато на екрана се изписва „Достига те“.
5. „Колкото повече го използваш, толкова по-добре става“: напишете два реда, като подчертаната дума е в градиента.
6. Настройките: покажете стъклен панел с 3 плъзгача, всеки от които се движи, когато тя го нарече. Променете нюанса на изображението, търкаляйте нови семена върху 16-ите, след което го превърнете в плакат. Преместете размазано заливане от цветовете му зад стъклото синхронно.
7. „Всеки [изход], точно както го виждате“: разпръснете 120 мои изображения навън от центъра зад стъклена таблетка с надписи, след което ги съберете в моето лого, докато името се пише. Напишете „Out now“ отдолу и задръжте за 2 секунди.

Заменете лентата с подкани, резултатите и плъзгачите с реалните входни, изходни данни и настройки на моя продукт.

Настройте песента така, че капката да попадне на реда [Verb] и закрепете мрежата на ритъма там.
Приглушете музиката под вокала с 3-лентов страничен клаузулар (ниски 30%, средни 85%, ефир 55%; 0.3s задържане, 50ms прогнозиране, 0.5s освобождаване). След това регулирайте средните честоти на всяка фраза, докато вокалът се окаже с около 9 dB над музиката между 300 Hz и 4 kHz.
Използвайте по един изтеглен звуков ефект от Mixkit на събитие, позициониран спрямо измерения му пик: щракване за всяка промяна на изображението, звук на клавиш за всяка написана буква, меко кацане на ударената дума, свистене и удари върху падащото устройство и логото. Подрязвайте всяко около пика му (многото изкачвания са за 4 секунди). Затихвайте музиката по dB крива под крайната карта. Loudnorm до -14 LUFS.

1. Едно HTML платно. Всеки кадър е чиста функция на времето вътре в seek(t), а всеки надпис и изрязване следва таблицата с думи.
2. Стъкло: заснемете платното зад формата, размажете го с около 14px за тялото, нарисувайте леко размазано копие, увеличено с около 1.06x, в лента от 12px по ръба, след което добавете млякото, блясъка, ръба и сянката.
3. Рендерирайте с Playwright при 60 кадъра в секунда, използвайки 8 подкадъра с размазване при движение, след което кодирайте с ffmpeg.
4. Преди да ми покажете каквото и да било, направете контактен лист със снимки, сканирайте разликите в кадрите за единични отскоци (само 16-те ноти могат да прескачат) и проверете съотношението глас-музика за всяка фраза.

„[Топло] начало“ може да звучи прошепнато, докато „[развълнуван]“ може да се усеща фалшиво. Маркираното поле зад дума изглежда като селекция от текст в Windows. Ако камерата се нулира до 1.0 по време на предаване, увеличението щраква. Преходът от 0.05 секунди изглежда като мигновено появяване.

Поискайте ми входните данни, напишете сценария, изпратете ми 4 гласови кадъра, от които да избирам, след което ми покажете 8 кадъра преди пълното рендериране.

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.

Подкана, взета от пост @rossaxbt.