Pag-setup: Pelikula sa paglusad sa modelo sa imahe sa Ora 2

Pangutan-a ko bahin sa: ngalan sa akong produkto, usa ka one-line pitch, akong logo, 3 hangtod 6 ka screenshot sa produkto, 40+ ka mga imahe sa kung unsa ang gihimo niini (o mga litrato niini), mga kolor ug font sa akong brand, usa ka ElevenLabs API key ug voice ID, dugang usa ka royalty-free track nga adunay clear drop (ang audio file ug ang drop timestamp). Kung adunay akong laktawan, gamita kini nga mga default: "Ora 2", "usa ka modelo sa imahe nga gihimo alang sa lami", libre nga mga imahe gikan sa Unsplash ug Pixabay, Geist, ink #111214, ang tingog nga Samara X (19STyYD15bswVz51nqLf) sa eleven_v4, ug Pixabay "Cascade Breathe" (129.83 BPM, drop sa 75.39s).

<script>
Pagsulat og 9-line nga voiceover niining format ug ipahiangay ang matag linya sa akong produkto:
"Kini si [ngalan]. Usa ka [kategorya]... gihimo para sa [bili]. [Berbo] sa BISAN UNSANG estilo. Hatagi kini og [input] - ug kini... makasabot. Kon mas gamiton nimo kini, mas molambo kini. I-adjust ang [setting] niini. Ang [setting]. Ang [setting] niini. Ang matag [output] - eksakto sama sa imong gihulagway. [Ngalan]. Nigawas na."
Gamita og maampingong mga emotion tag: [hinay] sa hilom nga mga linya ug [excited] sa linya nga [Verb]. Ayaw butangi og tag ang unang linya, ug tapusa kini og tuldok.
</script>

Tawga ang ElevenLabs API direkta gamit ang akong key, nga walay MCP. Paghimo og 4 ka full-script takes sa usa ka pass ug papilia ko. Kon ang usa ka linya dili paminawon nga sakto, i-regenerate lang kana nga linya sa 4 ka beses ug i-splice ang pinakamaayong bersyon ngadto sa akong take.
Pamub-i ang mga paghunong nga mas taas kay sa 0.28s ngadto sa 0.2s, dayon dad-a ang matag hugpong sa mga pulong og 85% padulong sa median level, i-adjust ang gain lamang panahon sa mga paghunong.
Para sa timing sa mga pulong, bahina ang pagbasa sa mga paghunong nga 100ms o mas dugay pa, i-transcribe ang matag segment nga gilain gamit ang Whisper, ug i-align ang unang pulong niini sa gisukod nga pagsugod. Ang usa ka Whisper pass makapa-late sa mga pulong hangtod sa tunga sa segundo.

Usa ka 22-segundos nga kwadrado nga pelikula sa paglusad, 1440x1440 sa 60fps, sa estilo sa paglusad sa AI lab: puti nga canvas, usa ka typeface, itom nga tinta, tinuod nga mga imahe, ug mga caption nga gi-type pulong por pulong sa eksaktong oras nga kini gisulti.
Ang matag kontrol (prompt bar, settings panel, caption pill) naggamit og liquid glass: butangi og frost ang eksena sa likod niini, iduko ang eksena sa daplin sama sa baga nga bildo, dayon dugangi og top sheen, hayag nga ngilit ug humok nga lift shadow. Ang bildo mawala sa plain white, busa dugangi og hinay nga pastel aura sa mga kolor sa akong brand o usa ka blurred wash sa litrato sa likod niini.
Ang usa nagpasiugda sa mga tipo sa pulong sa usa ka gradient sa mga kolor sa akong brand, nga adunay gamay nga kahayag sa luyo niini.
Mga lagda sa paglihok: ipadayon ang kamera nga nagtuyok-tuyok (iduso gikan sa 1.0 ngadto sa 1.04 matag eksena; kon ang sulod mobalhin ngadto sa sunod nga eksena, magsugod sa zoom diin natapos ang miaging eksena). Walay makita dayon: gamita ang gipagaan nga mga fade nga labing menos 0.3s. Usba ang mga imahe sa ika-16 nga mga nota, nga adunay usa ka pag-klik alang sa matag usa. Ibalhin ang eksena sa pagsugod sa hugpong sa mga pulong, ug i-align ang music drop sa linya nga [Verb]. Ayaw ipakita ang mga tuldok sa screen.
Gidili: mga highlight sa selection-box, mga beat-snapped slam, mga white flash, 3D, mga template.

Pito ka eksena, gi-time sa tingog:

1. "Kini si [ngalan]": ang usa ka collage sa akong mga hulagway mogawas samtang ang ngalan gi-type sa dako, dayon mopuli sa linya sa kategorya.
2. "gihimo para sa [bili]": ang mga full-screen nga pagkidlap sa akong pinakamaayong mga imahe mo-switch sa ika-16 nga mga nota padulong sa drop, uban ang linya nga gi-type nga puti sa ibabaw niini.
3. Ang paghulog: usa ka bildo nga prompt bar ang nag-type og mubo nga prompt. Ang resulta nga kard mausab ang estilo matag ika-16 nga nota, samtang usa ka itom nga style chip ang molibot sa matag bag-ong ngalan sa ibabaw sa thumbnail strip.
4. "Ipakita kini gamit ang moodboard": 9 ka mga imahe ang mogawas sa 3x3 grid, dayon lingini ang resulta samtang ang "It gets you" mo-type sa screen.
5. "Kon mas gamiton nimo kini, mas momaayo kini": pag-type og duha ka linya, diin ang pulong nga gipasiugda naa sa gradient.
6. Ang mga setting: ipakita ang usa ka glass panel nga adunay 3 ka slider, ang matag usa naglihok samtang iyang ginganlan kini. Ibalhin ang hue sa imahe, i-roll ang bag-ong mga liso sa 16ths, dayon himoa kini nga poster. Ibalhin ang usa ka blurred wash sa mga kolor niini sa luyo sa bildo nga dungan.
7. "Matag [output], eksakto kung unsa ang imong nakita": i-burst ang 120 sa akong mga imahe gikan sa tunga sa luyo sa usa ka glass caption pill, dayon ihiusa kini sa akong logo samtang nag-type ang ngalan. Ibutang ang "Out now" sa ilawom ug kupti sulod sa 2 segundos.

Ilisi ang prompt bar, mga resulta ug mga slider sa tinuod nga input, output ug mga setting sa akong produkto.

Ibutang ang kanta aron ang drop drop moigo sa linya nga [Verb], ug i-angkla ang beat grid didto.
Itago ang musika ilalom sa tingog gamit ang 3-band sidechain (lows 30%, mids 85%, air 55%; 0.3s hold, 50ms look-ahead, 0.5s release). Dayon i-adjust ang mids sa matag phrase hangtud nga ang tingog molapas og mga 9 dB sa musika tali sa 300 Hz ug 4 kHz.
Gamita ang usa ka na-download nga Mixkit SFX kada event, nga gipahimutang base sa gisukod nga peak niini: usa ka click para sa matag pag-ilis sa imahe, usa ka tunog sa key para sa matag gi-type nga letra, usa ka hinay nga pagtugpa sa gi-emphasize nga pulong, whooshes, ug impact sa drop ug logo. Guntinga ang matag usa palibot sa peak niini (daghang risers ang 4 segundos). I-fade ang musika subay sa dB curve ubos sa end card. Loudnorm ngadto sa -14 LUFS.

1. Usa ka HTML canvas. Ang matag frame usa ka puro nga function sa oras sulod sa seek(t), ug ang matag caption ug cut nagsunod sa word table.
2. Bildo: kuhaa ang canvas sa luyo sa porma, i-blur kini mga 14px para sa lawas sa litrato, pagdrowing og gamay nga blurred nga kopya nga gipadako og mga 1.06x sa usa ka 12px nga banda sa ngilit, dayon idugang ang gatas, sinaw, ngilit ug anino.
3. I-render gamit ang Playwright sa 60fps gamit ang 8 ka motion-blur subframes, dayon i-encode gamit ang ffmpeg.
4. Sa dili pa nimo ipakita nako ang bisan unsa, paghimo og contact sheet sa mga stills, i-scan ang mga kalainan sa frame para sa single-frame pops (ang 16th-note runs lang ang mahimong molukso), ug susiha ang voice-to-music ratio para sa matag phrase.

Ang usa ka [mainiton] nga pangbukas mahimong paminawon nga hunghong, samtang ang [excited] mahimong mobati nga peke. Ang highlight box sa luyo sa usa ka pulong morag usa ka Windows text selection. Kung ang camera mag-reset sa 1.0 atol sa usa ka handoff, ang zoom mo-snap. Ang 0.05s fade morag usa ka instant pop-in.

Pangayoa ang mga input, isulat ang script, padad-i kog 4 ka voice takes nga akong mapilian, dayon ipakita nako ang 8 ka stills sa dili pa ang tibuok render.

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.

Gikuha ang prompt gikan sa poste @rossaxbt.