Opsætning: Ora 2 billedmodel lanceringsfilm

Spørg mig om: mit produktnavn, en pitch på én linje, mit logo, 3 til 6 skærmbilleder af produktet, 40+ billeder af det, det skaber (eller fotos af det), mine brandfarver og skrifttype, en ElevenLabs API-nøgle og stemme-ID, plus et royaltyfrit nummer med et tydeligt drop (lydfilen og drop-tidsstemplet). Hvis jeg springer noget over, skal jeg bruge disse standardindstillinger: "Ora 2", "en billedmodel lavet til smag", gratis billeder fra Unsplash og Pixabay, Geist, blæk #111214, stemmen Samara X (19STyYD15bswVz51nqLf) på eleven_v4, og Pixabay "Cascade Breathe" (129.83 BPM, drop ved 75.39s).

<script>
Skriv en voiceover på 9 linjer i dette format, og tilpas hver linje til mit produkt:
"Dette er [navn]. En [kategori]... bygget til [værdi]. [Verbum] i ENHVER stil. Giv den et [input] - og den forstår bare... forstår. Jo mere du bruger den, jo BEDRE bliver den. Juster dens [indstilling]. Dens [indstilling]. Dens [indstilling]. Hvert [output] - præcis som du forestillede dig det. [Navn]. Ude nu."
Brug følelsesmæssige tags sparsomt: [sagt] på de stille linjer og [ophidset] på [verbum]-linjen. Tag ikke åbningen, og afslut den med et almindeligt punktum.
</script>

Kald ElevenLabs API'en direkte ved hjælp af min nøgle, uden en MCP. Generer 4 fulde script-takes i én omgang, og lad mig vælge. Hvis en linje ikke lyder rigtig, regenerer kun den linje 4 gange og splejs den bedste version ind i min take.
Forkort pauser på mere end 0,28 sekunder til 0,2 sekunder, og bring derefter hver frase 85 % af vejen mod medianniveauet, og juster kun forstærkningen under pauser.
For ordtiming, opdel oplæsningen i pauser på 100 ms eller længere, transskriber hvert segment separat med Whisper, og juster dets første ord til den målte begyndelse. En enkelt Whisper-gennemgang kan placere ord op til et halvt sekund for sent.

En 22-sekunders firkantet lanceringsfilm, 1440x1440 ved 60fps, i stil med en AI-laboratorielancering: hvidt lærred, én skrifttype, sort blæk, rigtige billeder og billedtekster skrevet ord for ord på det præcise tidspunkt, de bliver sagt.
Alle kontrolelementer (promptlinje, indstillingspanel, billedtekstpil) bruger flydende glas: Giv motivet bagved det en frosting, bøj motivet langs kanten som tykt glas, og tilføj derefter en topglans, en lys kant og en blød, løftende skygge. Glas forsvinder på almindelig hvid, så tilføj en langsom pastelfarve i mine brandfarver eller en sløret forvaskning af billedet bagved.
Den ene fremhævede ordtyper i en gradient af mine brandfarver, med en svag glød bagved.
Bevægelsesregler: Hold kameraet i drift (skub fra 1,0 til 1,04 pr. scene; når indholdet flytter sig til den næste scene, start ved zoomet, hvor den forrige scene sluttede). Intet vises øjeblikkeligt: brug lette fades på mindst 0,3 sekunder. Skift billeder på 16. node med et klik for hver. Land sceneskift ved fraseringstart, og juster musikdrop'et med [Verbum]-linjen. Vis ikke punktummer på skærmen.
Forbudt: markeringsbokshøjlys, beat-snapped slams, hvide blink, 3D, skabeloner.

Syv scener, timet til stemmen:

1. "Dette er [navn]": en collage af mine billeder glider ud, når navnet skrives stort, og viger derefter for kategorilinjen.
2. "made for [value]": Fuldskærmsblink af mine bedste billeder tænder 16. noder i droppen, med linjen skrevet med hvidt over dem.
3. Dråben: En glaspromptlinje skriver en kort prompt. Resultatkortet skifter stil for hver 16. node, mens en sort brik ruller for hvert nyt navn over en miniaturestribe.
4. "Vis det et moodboard": 9 billeder flyver ind i et 3x3-gitter, og cirkle derefter resultatet, mens "Det får dig" skrives på skærmen.
5. "Jo mere du bruger det, jo bedre bliver det": skriv to linjer med det fremhævede ord i gradienten.
6. Indstillingerne: Vis et glaspanel med 3 skydere, der hver bevæger sig, når hun navngiver det. Skift billedets farvetone, rul nye frø på 16., og lav det derefter om til en plakat. Flyt en sløret farvetone bag glasset synkront.
7. "Hvert [output], præcis som du ser det": træk 120 af mine billeder udad fra midten bag en glastekstpille, og saml dem derefter til mit logo, mens navnet skrives. Skriv "Ude nu" nedenunder og hold i 2 sekunder.

Erstat promptbjælken, resultaterne og skyderne med mit produkts faktiske input, output og indstillinger.

Sæt sangen, så dråben lander på [Verbum]-linjen, og forankrer beatgitteret der.
Dæk musikken ind under stemmen med en 3-bånds sidekæde (lave frekvenser 30%, mellemtoner 85%, luft 55%; 0,3s hold, 50ms look-ahead, 0,5s slip). Juster derefter mellemtonerne i hver frase, indtil stemmen ligger omkring 9 dB over musikken mellem 300 Hz og 4 kHz.
Brug én downloadet Mixkit SFX pr. begivenhed, placeret efter dens målte peak: et klik for hvert billedskift, en tangentlyd for hvert indtastet bogstav, en blød landing på det fremhævede ord, sus og stød på drop og logo. Trim hver omkring dens peak (mange risers er 4 sekunder). Fade musikken langs en dB-kurve under slutkortet. Højdegradationsnorm til -14 LUFS.

1. Ét HTML lærred. Hver frame er en ren funktion af tiden i seek(t), og hver billedtekst og klipning følger ordtabellen.
2. Glas: Indfang lærredet bag formen, slør det ca. 14px for at skabe kroppen, tegn en let sløret kopi forstørret ca. 1,06x i et 12px bånd langs kanten, og tilføj derefter mælk, glans, kant og skygge.
3. Render med Playwright ved 60fps med 8 motion-blur subframes, og kod derefter med ffmpeg.
4. Før du viser mig noget, lav et kontaktark med stillbilleder, scan billedforskelle for pops i enkeltbilleder (kun løb på 16. node må hoppe), og tjek forholdet mellem stemme og musik for hver frase.

En [varm] åbningsord kan lyde hvisket, mens [ophidset] kan føles falsk. En fremhævet boks bag et ord ligner en Windows-tekstmarkering. Hvis kameraet nulstilles til 1.0 under en overdragelse, klikker zoomen. En 0,05 sekunders fade ligner et øjeblikkeligt pop-in.

Bed mig om input, skriv manuskriptet, send mig 4 stemmetagninger at vælge imellem, og vis mig derefter 8 stillbilleder før den fulde rendering.

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.

Spørgsmål taget fra stolpe @rossaxbt.