Nastavení: Film k uvedení modelu Ora 2 na trh

Zeptejte se mě na: název mého produktu, jednořádkovou prezentaci, mé logo, 3 až 6 snímků obrazovky produktu, více než 40 obrázků toho, co vytváří (nebo fotografií), barvy a písmo mé značky, klíč API ElevenLabs a ID hlasu a navíc skladbu bez licenčních poplatků s jasným dropem (zvukový soubor a časové razítko dropu). Pokud něco vynechám, použijte tyto výchozí hodnoty: „Ora 2“, „model obrázku vytvořený pro vkus“, obrázky zdarma z Unsplash a Pixabay, Geist, inkoust #111214, hlas Samary X (19STyYD15bswVz51nqLf) na eleven_v4 a Pixabay „Cascade Breathe“ (129,83 BPM, drop na 75,39 s).

<script>
Napište devítiřádkový hlasový komentář v tomto formátu a každý řádek přizpůsobte mému produktu:
„Toto je [jméno]. [kategorie]... vytvořená pro [hodnota]. [Sloveso] v LIBOVOLNÉM stylu. Dejte jí [vstup] - a ona prostě... rozumí. Čím více ji používáte, tím LEPŠÍ je. Upravte její [nastavení]. Její [nastavení]. Její [nastavení]. Každý [výstup] - přesně tak, jak jste si ho představovali. [Jméno]. Právě teď.“
Používejte emoční štítky střídmě: [tiše] v tichých verších a [vzrušeně] v verši [Slovo]. Úvodní větu neoznačujte a zakončete ji prostou tečkou.
</script>

Zavolejte API ElevenLabs přímo pomocí mého klíče, bez MCP. Vygenerujte 4 záběry s plným skriptem najednou a nechte mě vybrat. Pokud některý řádek nezní správně, regenerujte pouze tento řádek 4krát a nejlepší verzi vložte do mého záběru.
Zkraťte pauzy delší než 0,28 s na 0,2 s a poté každou frázi nastavte na 85 % směrem k střední úrovni, přičemž zesílení upravujte pouze během pauz.
Pro načasování slov rozdělte čtení na pauzy 100 ms nebo delší, přepište každý segment zvlášť pomocí Whisperu a zarovnejte jeho první slovo s naměřeným začátkem. Jeden průchod Whisperem může umístit slova až o půl sekundy později.

22sekundový čtvercový úvodní film, 1440x1440 při 60 snímcích za sekundu, ve stylu úvodního filmu z laboratoře umělé inteligence: bílé plátno, jeden typ písma, černý inkoust, skutečné obrázky a popisky psané slovo po slově přesně v okamžiku, kdy jsou vysloveny.
Každý ovládací prvek (lišta s pokyny, panel nastavení, pilulka s popisky) využívá tekuté sklo: scénu za ním rozmrazte, ohněte ji podél okraje jako silné sklo a poté přidejte horní lesk, jasný okraj a jemný stín. Sklo mizí na čisté bílé, takže přidejte pomalou pastelovou auru v mých barvách značky nebo rozmazaný nátěr fotografie za ním.
Jeden zdůrazňoval typy slov v přechodu barev mé značky s jemným leskem v pozadí.
Pravidla pohybu: udržujte kameru v pohybu (používejte rychlost od 1,0 do 1,04 na scénu; když se obsah přesune do další scény, začněte v bodě zoomu, kde předchozí scéna skončila). Nic se neobjeví okamžitě: používejte postupné prolínání alespoň 0,3 s. Změňte obrazy na šestnáctinových notách, kliknutím pro každou z nich. Změny scén na začátku fráze a zarovnejte pokles not s linií [Sloveso]. Nezobrazujte tečky na obrazovce.
Zakázáno: zvýraznění ve výběrovém poli, slamy pořízené beatem, bílé záblesky, 3D, šablony.

Sedm scén, načasovaných podle hlasu:

1. „Toto je [jméno]“: Koláž mých obrázků se objeví, jakmile se jméno napíše ve velkém, a pak ustoupí řádku kategorie.
2. „vyrobeno pro [hodnota]“: záblesky mých nejlepších snímků na celé obrazovce se přepnou na šestnáctinové noty do poklesu, s linkou napsanou bílou barvou nad nimi.
3. Kapka: skleněná lišta s nápovědami zadává krátkou nápovědu. Karta s výsledky mění styl každou šestnáctinu noty, zatímco černý žeton se kutálí ke každému novému jménu nad pásem miniatur.
4. „Ukažte tomu nástěnku nálad“: 9 obrázků se rozmístí do mřížky 3x3 a poté zakroužkujte výsledek, zatímco se na obrazovce píše „Dostane vás to“.
5. „Čím víc to používáš, tím lepší to bude“: napište dva řádky, přičemž zvýrazněné slovo bude v přechodu.
6. Nastavení: zobrazit skleněný panel se 3 posuvníky, každý se pohybuje podle jména. Změnit odstín obrázku, na šestnáctinách hozených nová semínka a poté jej proměnit v plakát. Synchronně posouvat rozmazaný závoj jeho barev za sklo.
7. „Každý [výstup], přesně tak, jak ho vidíte“: rozdělte 120 mých obrázků od středu za skleněnou popiskovou pilulku a poté je spojte do mého loga, jakmile se napíše jméno. Pod to napište „Nyní venku“ a podržte 2 sekundy.

Nahraďte panel s výzvami, výsledky a posuvníky skutečnými vstupy, výstupy a nastaveními mého produktu.

Nastavte skladbu tak, aby přetažení dopadlo na řádek [Verb] a ukotvěte tam mřížku rytmu.
Prohloubení středů fráze pod vokálem provedete třípásmovým postranním řetězcem (bazy 30 %, středy 85 %, vzduch 55 %; 0,3 s hold, 50 ms look-ahead, 0,5 s release). Poté upravte středy každé fráze, dokud se vokál nedostane asi o 9 dB nad hudbu mezi 300 Hz a 4 kHz.
Použijte jeden stažený SFX z Mixkitu na událost, umístěný podle naměřeného vrcholu: kliknutí pro každou změnu obrázku, zvuk klávesy pro každé napsané písmeno, měkké přistání na zdůrazněném slově, svištění a dopady na dropy a logo. Každý z nich ořízněte kolem jeho vrcholu (mnoho stoupání trvá 4 sekundy). Zeslabte hudbu podél dB křivky pod koncovou kartou. Loudnorm na -14 LUFS.

1. Jedno HTML plátno. Každý snímek je čistě funkcí času uvnitř seek(t) a každý popisek a výřez následuje za tabulkou slov.
2. Sklo: zachyťte plátno za tvarem, rozostřete ho asi o 14 pixelů pro tělo, nakreslete lehce rozmazanou kopii zvětšenou asi 1,06x v 12pixelovém pruhu podél okraje a poté přidejte mléko, lesk, okraj a stín.
3. Renderujte v Playwright při 60 fps s použitím 8 dílčích snímků s rozmazáním pohybem a poté kódujte pomocí ffmpeg.
4. Než mi cokoli ukážete, udělejte si kontaktní list statických snímků, prohledejte rozdíly mezi jednotlivými snímky a zjistěte, zda se v nich vyskytují ozývající se praskání (skákat můžou pouze šestnáctinové noty) a zkontrolujte poměr hlasu k hudbě u každé fráze.

Úvodní slovo [vřele] může znít šeptem, zatímco [nadšeně] může působit falešně. Zvýrazněný rámeček za slovem vypadá jako výběr textu ve Windows. Pokud se fotoaparát během předávání resetuje na 1,0, zoom se aktivuje. Prolínání po 0,05 s vypadá jako okamžité zobrazení.

Požádej mě o vstupy, napiš scénář, pošli mi 4 hlasové záběry, ze kterých si mohu vybrat, a pak mi ukaž 8 statických snímků před úplným renderováním.

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.

Výzva převzata z zveřejnit @rossaxbt.