ওরা ২ ইমেজ মডেল লঞ্চ ফিল্ম

আমার কাছে যা যা চাইতে পারেন: আমার পণ্যের নাম, এক লাইনের একটি সংক্ষিপ্ত পরিচিতি, আমার লোগো, পণ্যটির ৩ থেকে ৬টি স্ক্রিনশট, এটি যা তৈরি করে তার ৪০টিরও বেশি ছবি (অথবা সেটির ফটোগ্রাফ), আমার ব্র্যান্ডের রঙ এবং ফন্ট, একটি ElevenLabs API কী এবং ভয়েস আইডি, এবং একটি স্পষ্ট ড্রপসহ রয়্যালটি-মুক্ত ট্র্যাক (অডিও ফাইল এবং ড্রপের টাইমস্ট্যাম্প)। আমি যদি কিছু বাদ দিই, তাহলে এই ডিফল্টগুলো ব্যবহার করুন: "Ora 2", "রুচিসম্মতভাবে তৈরি একটি ইমেজ মডেল", Unsplash এবং Pixabay থেকে বিনামূল্যের ছবি, Geist, ইঙ্ক #111214, eleven_v4-এ Samara X-এর ভয়েস (19STyYD15bswVz51nqLf), এবং Pixabay-এর "Cascade Breathe" (129.83 BPM, 75.39 সেকেন্ডে ড্রপ)।

<script>
এই বিন্যাসে ৯ লাইনের একটি ভয়েসওভার লিখুন এবং প্রতিটি লাইন আমার পণ্যের জন্য উপযোগী করে তুলুন:
এই হলো [নাম]। একটি [বিভাগ]... যা [মান]-এর জন্য তৈরি। যেকোনো শৈলীতে [ক্রিয়া]। একে একটি [ইনপুট] দিন - আর এটি শুধু... বুঝে যায়। আপনি যত বেশি এটি ব্যবহার করবেন, এটি তত ভালো হবে। এর [সেটিং] অ্যাডজাস্ট করুন। এর [সেটিং]। এর [সেটিং]। প্রতিটি [আউটপুট] - ঠিক যেমনটি আপনি কল্পনা করেছিলেন। [নাম]। এখন পাওয়া যাচ্ছে।
আবেগসূচক ট্যাগ পরিমিতভাবে ব্যবহার করুন: শান্ত লাইনগুলিতে [softly] এবং [Verb] লাইনে [excited] ব্যবহার করুন। শুরুর শব্দটিকে ট্যাগ করবেন না এবং শেষে একটি সাধারণ পূর্ণচ্ছেদ দিন।
</script>

আমার কী ব্যবহার করে, কোনো MCP ছাড়াই সরাসরি ইলেভেনল্যাবস এপিআই কল করুন। একবারে ৪টি সম্পূর্ণ স্ক্রিপ্ট টেক তৈরি করুন এবং আমাকে বেছে নিতে দিন। যদি কোনো লাইন শুনতে ঠিক না লাগে, তবে শুধু সেই লাইনটি ৪ বার পুনরায় তৈরি করুন এবং সেরা সংস্করণটি আমার টেকের সাথে জুড়ে দিন।
০.২৮ সেকেন্ডের চেয়ে দীর্ঘ বিরতি কমিয়ে ০.২ সেকেন্ড করুন, তারপর প্রতিটি ফ্রেজকে মিডিয়ান লেভেলের ৮৫% দিকে নিয়ে আসুন এবং শুধুমাত্র বিরতির সময় গেইন সমন্বয় করুন।
শব্দের সময় নির্ধারণের জন্য, ১০০ মিলিসেকেন্ড বা তার বেশি সময়ের বিরতিতে পাঠটি ভাগ করুন, হুইস্পার (Whisper) ব্যবহার করে প্রতিটি অংশ আলাদাভাবে প্রতিলিপি করুন এবং এর প্রথম শব্দটিকে পরিমাপ করা শুরুর বিন্দুর সাথে মেলান। হুইস্পারের একটিমাত্র পাসের ফলে শব্দগুলো আধা সেকেন্ড পর্যন্ত দেরিতে বসতে পারে।

একটি এআই ল্যাবের উৎক্ষেপণের আদলে তৈরি ২২-সেকেন্ডের একটি বর্গাকার উৎক্ষেপণ চলচ্চিত্র, যা ১৪৪০x১৪৪০ রেজোলিউশনে ৬০fps গতিতে ধারণ করা হয়েছে: সাদা ক্যানভাস, একটিমাত্র টাইপফেস, কালো কালি, বাস্তব চিত্র এবং বলা হওয়ার ঠিক মুহূর্তে শব্দে শব্দে টাইপ করা ক্যাপশন।
প্রতিটি কন্ট্রোল (প্রম্পট বার, সেটিংস প্যানেল, ক্যাপশন পিল) লিকুইড গ্লাস ব্যবহার করে: এর পেছনের দৃশ্যটিকে ঘোলাটে করে, সেই দৃশ্যটিকে পুরু কাঁচের মতো ধার বরাবর বাঁকিয়ে, তারপর উপরে একটি ঔজ্জ্বল্য, উজ্জ্বল কিনারা এবং হালকা ছায়া যোগ করা হয়। সাধারণ সাদার উপর গ্লাস হারিয়ে যায়, তাই আমার ব্র্যান্ডের রঙে একটি ধীর প্যাস্টেল আভা অথবা এর পেছনের ছবির একটি ঝাপসা আভা যোগ করুন।
আমার ব্র্যান্ডের রঙের গ্রেডিয়েন্টে একটিমাত্র শব্দ টাইপকে বিশেষভাবে ফুটিয়ে তোলা হয়েছে, এবং এর পেছনে একটি হালকা আভা রয়েছে।
গতির নিয়মাবলী: ক্যামেরাকে ড্রিফটিং অবস্থায় রাখুন (প্রতি দৃশ্যে ১.০ থেকে ১.০৪ পর্যন্ত বাড়ান; যখন কন্টেন্ট পরবর্তী দৃশ্যে যাবে, তখন আগের দৃশ্যটি যেখানে শেষ হয়েছিল সেই জুম থেকে শুরু করুন)। কোনো কিছুই সঙ্গে সঙ্গে দেখা যাবে না: কমপক্ষে ০.৩ সেকেন্ডের ইজড ফেড ব্যবহার করুন। ১৬তম নোটে ছবি পরিবর্তন করুন, এবং প্রতিটির জন্য একটি করে ক্লিক করুন। ফ্রেজের শুরুতে দৃশ্য পরিবর্তন করুন, এবং মিউজিক ড্রপটি [Verb] লাইনের সাথে মিলিয়ে দিন। স্ক্রিনে পূর্ণচ্ছেদ দেখাবেন না।
নিষিদ্ধ: সিলেকশন-বক্স হাইলাইটস, বিট-স্ন্যাপড স্ল্যাম, সাদা ফ্ল্যাশ, ৩ডি, টেমপ্লেট।

কণ্ঠস্বরের সাথে মিলিয়ে সাতটি দৃশ্য:

"এই হলো [নাম]": নামটি বড় করে টাইপ হওয়ার সাথে সাথে আমার ছবিগুলোর একটি কোলাজ ভেসে ওঠে, তারপর তা ক্যাটাগরির লাইনে রূপান্তরিত হয়।
২. "made for [value]": ড্রপের মধ্যে ১৬তম নোট চালু হওয়ার সাথে সাথে আমার সেরা ছবিগুলো পুরো স্ক্রিন জুড়ে ঝলকানি দিয়ে ওঠে, এবং সেগুলোর উপর সাদা রঙে লাইনটি টাইপ করা থাকে।
৩. ড্রপ: একটি গ্লাস প্রম্পট বার একটি সংক্ষিপ্ত প্রম্পট টাইপ করে। প্রতি ১৬তম নোট পর পর ফলাফল কার্ডের স্টাইল পরিবর্তিত হয়, এবং একই সাথে একটি থাম্বনেইল স্ট্রিপের উপরে থাকা প্রতিটি নতুন নামের পাশে একটি কালো স্টাইল চিপ গড়িয়ে যায়।
৪. "এটিকে একটি মুডবোর্ড দেখান": ৯টি ছবি একটি ৩x৩ গ্রিডে উড়ে আসে, তারপর ফলাফলটিকে গোল করে দাগানো হয় এবং স্ক্রিনে "It gets you" লেখাটি ভেসে ওঠে।
৫. "যত বেশি ব্যবহার করবেন, তত ভালো হবে": দুটি লাইনে টাইপ করুন, যেখানে জোর দেওয়া শব্দটি গ্রেডিয়েন্টে থাকবে।
৬. সেটিং: একটি কাচের প্যানেল দেখানো হবে, যেখানে তিনটি স্লাইডার থাকবে এবং সেটির নাম বলার সাথে সাথে প্রতিটি স্লাইডার নড়াচড়া করবে। ছবিটির রঙ পরিবর্তন করুন, ষোড়শাংশে নতুন বীজ গড়ান, তারপর সেটিকে একটি পোস্টারে পরিণত করুন। কাচের পেছনে এর রঙের একটি ঝাপসা আভা একই তালে পরিবর্তন করুন।
৭. "প্রতিটি [আউটপুট], ঠিক যেমনটি আপনি দেখছেন": একটি গ্লাস ক্যাপশন পিলের পেছনে কেন্দ্র থেকে আমার ১২০টি ছবিকে বাইরের দিকে ছড়িয়ে দিন, তারপর নামটি টাইপ হওয়ার সাথে সাথে সেগুলোকে একত্রিত করে আমার লোগো তৈরি করুন। নিচে "এখনই প্রকাশিত" লিখে ২ সেকেন্ড ধরে রাখুন।

প্রম্পট বার, ফলাফল এবং স্লাইডারগুলোকে আমার পণ্যের আসল ইনপুট, আউটপুট এবং সেটিংস দিয়ে প্রতিস্থাপন করুন।

গানটি এমনভাবে সেট করুন যাতে ড্রপটি [Verb] লাইনে পড়ে, এবং বিট গ্রিডটিকেও সেখানেই অ্যাঙ্কর করুন।
একটি ৩-ব্যান্ড সাইডচেইন (লো ৩০%, মিড ৮৫%, এয়ার ৫৫%; ০.৩ সেকেন্ড হোল্ড, ৫০ মিলিসেকেন্ড লুক-অ্যাহেড, ০.৫ সেকেন্ড রিলিজ) ব্যবহার করে কণ্ঠস্বরের নিচে মিউজিককে ডাক করুন। এরপর, প্রতিটি ফ্রেজের মিড এমনভাবে অ্যাডজাস্ট করুন, যতক্ষণ না ৩০০ হার্জ থেকে ৪ কিলোহার্জের মধ্যে কণ্ঠস্বরটি মিউজিকের চেয়ে প্রায় ৯ ডিবি উপরে অবস্থান করে।
প্রতিটি ইভেন্টের জন্য একটি করে ডাউনলোড করা মিক্সকিট SFX ব্যবহার করুন, যা তার পরিমাপকৃত সর্বোচ্চ মান অনুযায়ী সাজানো থাকবে: প্রতিটি ইমেজ পরিবর্তনের জন্য একটি ক্লিক, টাইপ করা প্রতিটি অক্ষরের জন্য একটি কী-সাউন্ড, জোর দেওয়া শব্দটির উপর একটি মৃদু অবতরণ, হুশ শব্দ, এবং ড্রপ ও লোগোতে ইমপ্যাক্ট সাউন্ড। প্রত্যেকটিকে তার সর্বোচ্চ মানের কাছাকাছি ট্রিম করুন (অনেক রাইজার ৪ সেকেন্ডের হয়)। এন্ড কার্ডের নিচে একটি dB কার্ভ বরাবর মিউজিকটি ফেড করুন। লাউডনর্ম করে -১৪ LUFS-এ সেট করুন।

১. একটি HTML ক্যানভাস। প্রতিটি ফ্রেম হলো seek(t) এর ভেতরের সময়ের একটি পিওর ফাংশন, এবং প্রতিটি ক্যাপশন ও কাট ওয়ার্ড টেবিল অনুসরণ করে।
২. গ্লাস: আকৃতিটির পেছনের ক্যানভাসটি ক্যাপচার করুন, মূল অংশের জন্য এটিকে প্রায় ১৪ পিক্সেল ব্লার করুন, কিনারা বরাবর ১২ পিক্সেলের একটি ব্যান্ডে প্রায় ১.০৬ গুণ বিবর্ধিত একটি হালকা ব্লার করা অনুলিপি আঁকুন, তারপর দুধ, ঔজ্জ্বল্য, কিনারা এবং ছায়া যোগ করুন।
৩. Playwright ব্যবহার করে ৮টি মোশন-ব্লার সাবফ্রেম সহ ৬০এফপিএস (fps)-এ রেন্ডার করুন, তারপর ffmpeg দিয়ে এনকোড করুন।
৪. আমাকে কিছু দেখানোর আগে, স্থিরচিত্রের একটি কন্টাক্ট শিট তৈরি করুন, কোনো একক-ফ্রেমের আকস্মিক পরিবর্তনের জন্য ফ্রেমের পার্থক্য স্ক্যান করুন (কেবলমাত্র ১৬তম-নোটের দ্রুত লয়গুলোই লাফাতে পারে), এবং প্রতিটি বাক্যাংশের জন্য কণ্ঠ ও সঙ্গীতের অনুপাত পরীক্ষা করুন।

আন্তরিকভাবে কথা শুরু করলে তা ফিসফিস করে বলা মনে হতে পারে, আবার উত্তেজিত ভাবটা কৃত্রিম লাগতে পারে। কোনো শব্দের পেছনের হাইলাইট বক্সটি উইন্ডোজ টেক্সট সিলেকশনের মতো দেখায়। হ্যান্ডঅফের সময় ক্যামেরা ১.০-তে রিসেট হলে জুমটি হঠাৎ করে জ্বলে ওঠে। ০.০৫ সেকেন্ডের ফেড-আউটকে একটি তাৎক্ষণিক পপ-ইন-এর মতো দেখায়।

আমার কাছে ইনপুটগুলো চান, স্ক্রিপ্টটি লিখুন, বেছে নেওয়ার জন্য আমাকে ৪টি ভয়েস টেক পাঠান, তারপর সম্পূর্ণ রেন্ডারের আগে আমাকে ৮টি স্থিরচিত্র দেখান।

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.

প্রম্পটটি নেওয়া হয়েছে পোস্ট @rossaxbt.