Einrichtung: Ora 2 Image-Modell-Einführungsfilm

Bitten Sie mich um Folgendes: meinen Produktnamen, eine kurze Produktbeschreibung, mein Logo, 3 bis 6 Screenshots des Produkts, mindestens 40 Bilder der Ergebnisse (oder Fotos davon), meine Markenfarben und -schriftart, einen ElevenLabs-API-Schlüssel und eine Voice-ID sowie einen lizenzfreien Track mit klarem Drop (Audiodatei und Drop-Zeitstempel). Falls ich etwas auslasse, verwenden Sie bitte folgende Standarddateien: „Ora 2“, „ein Bildmodell für Geschmack“, kostenlose Bilder von Unsplash und Pixabay, Geist, Tinte Nr. 111214, die Stimme Samara X (19STyYD15bswVz51nqLf) auf eleven_v4 und Pixabay „Cascade Breathe“ (129,83 BPM, Drop bei 75,39 Sekunden).

<script>
Verfassen Sie einen 9-zeiligen Voiceover-Text in diesem Format und passen Sie jede Zeile an mein Produkt an:
„Das ist [Name]. Eine [Kategorie]... entwickelt für [Wert]. [Verb] in JEDEM Stil. Geben Sie eine [Eingabe] – und es versteht einfach. Je öfter Sie es verwenden, desto BESSER wird es. Passen Sie seine [Einstellungen] an. Seine [Einstellungen]. Seine [Einstellungen]. Jede [Ausgabe] – genau so, wie Sie es sich vorgestellt haben. [Name]. Jetzt erhältlich.“
Verwenden Sie Emotionsausdrücke sparsam: [leise] in den ruhigen Zeilen und [aufgeregt] in der [Verb]-Zeile. Setzen Sie keinen Ausdruck am Satzanfang und beenden Sie den Satz mit einem einfachen Punkt.
</script>

Rufe die ElevenLabs-API direkt mit meinem Schlüssel auf, ohne MCP. Generiere vier vollständige Skriptversionen in einem Durchgang und lass mich auswählen. Falls eine Zeile nicht gut klingt, generiere diese Zeile viermal und füge die beste Version in meine Aufnahme ein.
Verkürzen Sie Pausen, die länger als 0,28 Sekunden sind, auf 0,2 Sekunden und bringen Sie dann jede Phrase zu 85 % in Richtung des Medianpegels, wobei die Verstärkung nur während der Pausen angepasst wird.
Für die Wortzeitmessung wird der Lesevorgang bei Pausen von 100 ms oder länger unterteilt, jedes Segment separat mit Whisper transkribiert und das erste Wort auf den gemessenen Beginn ausgerichtet. Ein einzelner Whisper-Durchlauf kann Wörter um bis zu einer halben Sekunde verzögern.

Ein 22 Sekunden langer quadratischer Einführungsfilm, 1440x1440 Pixel bei 60 Bildern pro Sekunde, im Stil einer KI-Laborvorstellung: weiße Leinwand, eine Schriftart, schwarze Tinte, echte Bilder und Bildunterschriften, die Wort für Wort genau zu dem Zeitpunkt getippt werden, an dem sie gesprochen werden.
Jedes Steuerelement (Eingabeaufforderungsleiste, Einstellungsfeld, Beschriftungsfeld) verwendet Flüssigglas: Die Szene dahinter wird mattiert, entlang der Kante wie dickes Glas gebogen und anschließend mit einem Glanz, einem hellen Rand und einem weichen Schatten versehen. Da Glas auf reinem Weiß nicht sichtbar ist, wird eine sanfte Pastell-Aura in meinen Markenfarben oder ein verschwommener Schleier des Hintergrundfotos hinzugefügt.
Bei dem einen wurden die Wortarten in einem Farbverlauf meiner Markenfarben hervorgehoben, mit einem dezenten Leuchten im Hintergrund.
Bewegungsregeln: Die Kamera soll sich leicht bewegen (pro Szene von 1,0 auf 1,04 erhöhen; beim Szenenwechsel an der Zoomposition der vorherigen Szene beginnen). Nichts soll abrupt erscheinen: Verwenden Sie sanfte Überblendungen von mindestens 0,3 Sekunden. Wechseln Sie die Bilder im Sechzehntelnotentakt mit jeweils einem Klick. Setzen Sie Szenenwechsel an den Phrasenbeginn und richten Sie den Musikeinsatz auf die [Verb]-Zeile aus. Vermeiden Sie Punktnoten im Bild.
Verboten: Auswahlbox-Highlights, Beat-Snapping-Slams, weiße Blitze, 3D, Templates.

Sieben Szenen, synchronisiert mit der Stimme:

1. „Das ist [Name]“: Während der Name in großen Buchstaben eingegeben wird, erscheint eine Collage meiner Bilder, die dann in die Kategoriezeile übergeht.
2. "made for [value]": Vollbild-Blitze meiner besten Bilder wechseln sich mit Sechzehntelnoten im Drop ab, wobei die Zeile in Weiß darüber geschrieben ist.
3. Der Drop: Ein gläserner Eingabebalken gibt eine kurze Eingabeaufforderung ein. Die Ergebniskarte ändert ihren Stil alle 16tel-Noten, während ein schwarzer Chip für jeden neuen Namen über einem Miniaturstreifen rollt.
4. "Zeig es als Moodboard": Neun Bilder fliegen in ein 3x3-Raster, dann wird das Ergebnis eingekreist, während "It gets you" auf dem Bildschirm erscheint.
5. „Je öfter man es benutzt, desto besser wird es“: Geben Sie zwei Zeilen ein, wobei das hervorgehobene Wort im Farbverlauf dargestellt wird.
6. Die Einstellungen: Eine Glasscheibe mit drei Schiebereglern wird angezeigt, die sich bewegen, während sie das Bild benennt. Der Farbton des Bildes wird verändert, neue Farbnuancen werden in Sechzehntelschritten hinzugefügt und das Bild anschließend in ein Poster umgewandelt. Ein verschwommener Farbschleier wird synchron hinter dem Glas eingeblendet.
7. „Jede [Ausgabe], genau wie Sie sie sehen“: 120 meiner Bilder werden von der Mitte aus hinter einer Glas-Beschriftungskapsel nach außen projiziert und dann zu meinem Logo zusammengefügt, während der Name eingeblendet wird. Darunter „Jetzt erhältlich“ einfügen und 2 Sekunden lang halten.

Ersetzen Sie die Eingabeaufforderungsleiste, die Ergebnisse und die Schieberegler durch die tatsächlichen Eingaben, Ausgaben und Einstellungen meines Produkts.

Stelle den Song so ein, dass der Drop auf der [Verb]-Zeile landet, und verankere das Beat-Grid dort.
Die Musik wird mithilfe eines 3-Band-Sidechains unter die Stimme gefiltert (Tiefen 30 %, Mitten 85 %, Luftanteil 55 %; 0,3 s Haltezeit, 50 ms Vorlaufzeit, 0,5 s Ausklingzeit). Anschließend werden die Mitten jeder Phrase so angepasst, dass die Stimme im Bereich von 300 Hz bis 4 kHz etwa 9 dB über der Musik liegt.
Verwenden Sie pro Event einen heruntergeladenen Mixkit-Soundeffekt, positioniert anhand seines gemessenen Spitzenwerts: ein Klick für jeden Bildwechsel, ein Tastenton für jeden getippten Buchstaben, ein sanftes Ausklingen beim hervorgehobenen Wort, Zischlaute und Effekte beim Drop und Logo. Kürzen Sie jeden Effekt um seinen Spitzenwert herum (viele Riser sind 4 Sekunden lang). Blenden Sie die Musik unter der Abspannkarte entlang einer dB-Kurve aus. Stellen Sie die Lautstärke auf -14 LUFS ein.

1. Ein HTML Canvas. Jeder Frame ist eine reine Funktion der Zeit innerhalb von seek(t), und jede Bildunterschrift und jeder Schnitt folgt der Worttabelle.
2. Glas: Erfassen Sie die Leinwand hinter der Form, verwischen Sie sie um etwa 14px für den Körper, zeichnen Sie eine leicht verschwommene Kopie, die um etwa 1,06x vergrößert ist, in einem 12px breiten Streifen entlang des Randes, und fügen Sie dann Milch, Glanz, Rand und Schatten hinzu.
3. Rendern Sie mit Playwright bei 60 fps unter Verwendung von 8 Bewegungsunschärfe-Subframes und kodieren Sie anschließend mit ffmpeg.
4. Bevor Sie mir irgendetwas zeigen, erstellen Sie bitte einen Kontaktabzug aus Standbildern, scannen Sie die Unterschiede zwischen den Einzelbildern auf einzelne Bildfehler (nur die Sechzehntelnoten-Läufe können sprunghaft sein) und überprüfen Sie das Verhältnis von Stimme zu Musik für jede Phrase.

Eine [herzliche] Begrüßung kann geflüstert klingen, während [aufgeregt] gekünstelt wirken kann. Ein Hervorhebungsrahmen hinter einem Wort sieht aus wie eine Textauswahl in Windows. Wenn die Kamera während einer Übergabe auf 1,0 zurückgesetzt wird, ruckelt der Zoom. Ein 0,05 Sekunden langer Überblendeffekt wirkt wie ein plötzliches Aufpoppen.

Bitten Sie mich um die Eingaben, schreiben Sie das Skript, schicken Sie mir 4 Sprachaufnahmen zur Auswahl und zeigen Sie mir dann 8 Standbilder vor dem vollständigen 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.

Vorlage entnommen aus Post @rossaxbt.