Κατάρτιση: Φιλμ εκτόξευσης μοντέλου εικόνας Ora 2

Ρωτήστε με για: το όνομα του προϊόντος μου, μια παρουσίαση μίας γραμμής, το λογότυπό μου, 3 έως 6 στιγμιότυπα οθόνης του προϊόντος, 40+ εικόνες από αυτό που δημιουργεί (ή φωτογραφίες του), τα χρώματα και τη γραμματοσειρά της επωνυμίας μου, ένα κλειδί API ElevenLabs και ένα φωνητικό αναγνωριστικό, καθώς και ένα κομμάτι χωρίς δικαιώματα εκμετάλλευσης με καθαρή απόθεση (το αρχείο ήχου και η χρονική σήμανση απόθεσης). Εάν παραλείψω κάτι, χρησιμοποιήστε αυτές τις προεπιλογές: "Ora 2", "ένα μοντέλο εικόνας φτιαγμένο για γούστο", δωρεάν εικόνες από το Unsplash και το Pixabay, Geist, ink #111214, τη φωνή Samara X (19STyYD15bswVz51nqLf) στο eleven_v4 και Pixabay "Cascade Breathe" (129,83 BPM, απόθεση στα 75,39 δευτερόλεπτα).

<script>
Γράψτε μια αφήγηση 9 γραμμών σε αυτήν τη μορφή και προσαρμόστε κάθε γραμμή στο προϊόν μου:
"Αυτό είναι το [όνομα]. Μια [κατηγορία]... φτιαγμένη για [τιμή]. [Ρήμα] σε ΟΠΟΙΟΔΗΠΟΤΕ στυλ. Δώστε του μια [είσοδο] - και απλώς... καταλαβαίνει. Όσο περισσότερο το χρησιμοποιείτε, τόσο ΚΑΛΥΤΕΡΟ γίνεται. Προσαρμόστε τη [ρύθμισή] του. Είναι η [ρύθμιση]. Είναι η [ρύθμιση]. Κάθε [έξοδος] - ακριβώς όπως την φανταστήκατε. [Όνομα]. Διαθέσιμο τώρα."
Χρησιμοποιήστε τις ετικέτες συναισθημάτων με φειδώ: [απαλά] στις ήσυχες γραμμές και [ενθουσιασμένος] στη γραμμή [Ρήμα]. Μην βάλετε ετικέτες στην αρχή και τελειώστε την με μια απλή τελεία.
</script>

Καλέστε απευθείας το API ElevenLabs χρησιμοποιώντας το κλειδί μου, χωρίς MCP. Δημιουργήστε 4 ολοκληρωμένες εκτελέσεις σεναρίου με ένα πέρασμα και αφήστε με να επιλέξω. Εάν μια γραμμή δεν ακούγεται σωστά, αναδημιουργήστε μόνο αυτήν τη γραμμή 4 φορές και συνδέστε την καλύτερη έκδοση στην εκδοχή μου.
Συντομεύστε τις παύσεις που διαρκούν περισσότερο από 0,28 δευτερόλεπτα σε 0,2 δευτερόλεπτα και, στη συνέχεια, φέρτε κάθε φράση κατά 85% προς το διάμεσο επίπεδο, προσαρμόζοντας την ενίσχυση μόνο κατά τη διάρκεια των παύσεων.
Για τους χρονισμούς λέξεων, διαιρέστε την ανάγνωση σε παύσεις των 100ms ή περισσότερο, μεταγράψτε κάθε τμήμα ξεχωριστά με το Whisper και ευθυγραμμίστε την πρώτη του λέξη με την μετρούμενη έναρξη. Ένα μόνο πέρασμα Whisper μπορεί να τοποθετήσει λέξεις με καθυστέρηση έως και μισού δευτερολέπτου.

Ένα τετράγωνο βίντεο έναρξης 22 δευτερολέπτων, 1440x1440 στα 60fps, στο στυλ ενός εργαστηρίου τεχνητής νοημοσύνης: λευκός καμβάς, μία γραμματοσειρά, μαύρο μελάνι, πραγματικές εικόνες και λεζάντες πληκτρολογημένες λέξη προς λέξη την ακριβή στιγμή που εκφωνούνται.
Κάθε στοιχείο ελέγχου (γραμμή προτροπής, πίνακας ρυθμίσεων, χάπι λεζάντας) χρησιμοποιεί υγρό γυαλί: γυαλίστε τη σκηνή πίσω από αυτήν, λυγίστε την κατά μήκος της άκρης σαν παχύ γυαλί και, στη συνέχεια, προσθέστε μια γυαλάδα στο πάνω μέρος, ένα φωτεινό χείλος και μια απαλή σκιά ανύψωσης. Το γυαλί εξαφανίζεται σε απλό λευκό, οπότε προσθέστε μια αργή παστέλ αύρα στα χρώματα της επωνυμίας μου ή ένα θολό πλύσιμο της φωτογραφίας πίσω από αυτήν.
Η μία λέξη με την έμφαση πληκτρολογείται σε μια διαβάθμιση των χρωμάτων της επωνυμίας μου, με μια αμυδρή λάμψη από πίσω της.
Κανόνες κίνησης: διατηρήστε την κάμερα σε κίνηση (μετακινήστε από 1,0 σε 1,04 ανά σκηνή. Όταν το περιεχόμενο μετακινείται στην επόμενη σκηνή, ξεκινήστε από το σημείο ζουμ όπου τελείωσε η προηγούμενη σκηνή). Δεν εμφανίζεται τίποτα αμέσως: χρησιμοποιήστε χαλαρά fades τουλάχιστον 0,3 δευτερολέπτων. Αλλάξτε εικόνες στις 16ες νότες, με ένα κλικ για κάθε μία. Προσαρμόστε τις αλλαγές στη σκηνή στην αρχή της φράσης και ευθυγραμμίστε την πτώση της μουσικής με τη γραμμή [Ρήματος]. Μην εμφανίζετε τελείες στην οθόνη.
Απαγορευμένα: στιγμιότυπα πλαισίου επιλογής, χτυπήματα με χτυπήματα στο ρυθμό, λευκές λάμψεις, 3D, πρότυπα.

Επτά σκηνές, χρονικά προσαρμοσμένες στη φωνή:

1. "Αυτός είναι ο/η [όνομα]": ένα κολάζ από τις εικόνες μου ξεχωρίζει καθώς το όνομα πληκτρολογείται με μεγάλη κλίμακα και στη συνέχεια δίνει τη θέση του στη γραμμή κατηγορίας.
2. «φτιαγμένο για [αξία]»: οι λάμψεις πλήρους οθόνης των καλύτερων εικόνων μου ενεργοποιούνται στις 16ες νότες στην πτώση, με τη γραμμή πληκτρολογημένη με λευκό χρώμα από πάνω.
3. Η πτώση: μια γυάλινη γραμμή προτροπών πληκτρολογεί μια σύντομη προτροπή. Η κάρτα αποτελέσματος αλλάζει στυλ κάθε 16η νότα, ενώ ένα μαύρο τσιπ στυλ κυλάει σε κάθε νέο όνομα πάνω από μια λωρίδα μικρογραφίας.
4. "Δείξε του ένα moodboard": 9 εικόνες σχηματίζουν ένα πλέγμα 3x3 και, στη συνέχεια, κυκλώστε το αποτέλεσμα καθώς πληκτρολογείτε "Σε πιάνει" στην οθόνη.
5. «Όσο περισσότερο το χρησιμοποιείτε, τόσο καλύτερο γίνεται»: πληκτρολογήστε δύο γραμμές, με την τονισμένη λέξη στην διαβάθμιση.
6. Οι ρυθμίσεις: εμφάνιση ενός γυάλινου πάνελ με 3 ρυθμιστικά, το καθένα από τα οποία κινείται όπως το ονομάζει. Μετατόπιση της απόχρωσης της εικόνας, κύλιση νέων σπόρων στις 16ες και, στη συνέχεια, μετατροπή της σε αφίσα. Μετατόπιση μιας θολής πλύσης των χρωμάτων της πίσω από το γυαλί σε συγχρονισμό.
7. "Κάθε [έξοδος], ακριβώς όπως το βλέπετε": Εκτοξεύστε 120 από τις εικόνες μου προς τα έξω από το κέντρο πίσω από ένα γυάλινο χάπι με λεζάντες και, στη συνέχεια, ενώστε τες στο λογότυπό μου καθώς πληκτρολογείται το όνομα. Βάλτε "Out now" από κάτω και κρατήστε το πατημένο για 2 δευτερόλεπτα.

Αντικαταστήστε τη γραμμή προτροπών, τα αποτελέσματα και τα ρυθμιστικά με τις πραγματικές εισόδους, εξόδους και ρυθμίσεις του προϊόντος μου.

Ρυθμίστε το τραγούδι έτσι ώστε η πτώση να προσγειώνεται στη γραμμή [Ρήματος] και αγκυρώστε το πλέγμα ρυθμών εκεί.
Χαμηλώστε τη μουσική κάτω από τη φωνή με μια πλευρική αλυσίδα 3 ζωνών (χαμηλές 30%, μεσαίες 85%, αέρας 55%, αναμονή 0,3 δευτ., πρόβλεψη 50ms, απελευθέρωση 0,5 δευτ.). Στη συνέχεια, προσαρμόστε τις μεσαίες κάθε φράσης μέχρι η φωνή να βρίσκεται περίπου 9 dB πάνω από τη μουσική μεταξύ 300 Hz και 4 kHz.
Χρησιμοποιήστε ένα ληφθέν Mixkit SFX ανά συμβάν, τοποθετημένο με βάση την μετρούμενη κορυφή του: ένα κλικ για κάθε αλλαγή εικόνας, ένας ήχος κλειδιού για κάθε πληκτρολογημένο γράμμα, μια ομαλή προσγείωση στη λέξη που τονίζεται, σφύριγμα και χτυπήματα στην πτώση και το λογότυπο. Περικοπή καθενός γύρω από την κορυφή του (πολλές ανυψώσεις είναι 4 δευτερόλεπτα). Σβήσιμο της μουσικής κατά μήκος μιας καμπύλης dB κάτω από την κάρτα τέλους. Loudnorm σε -14 LUFS.

1. Ένας καμβάς HTML. Κάθε καρέ είναι καθαρή συνάρτηση του χρόνου μέσα στο seek(t) και κάθε λεζάντα και περικοπή ακολουθεί τον πίνακα λέξεων.
2. Γυαλί: αποτυπώστε τον καμβά πίσω από το σχήμα, θολώστε τον κατά περίπου 14px για το σώμα, σχεδιάστε ένα ελαφρώς θολό αντίγραφο μεγεθυμένο κατά περίπου 1,06x σε μια λωρίδα 12px κατά μήκος της άκρης και, στη συνέχεια, προσθέστε το γάλα, τη γυαλάδα, το χείλος και τη σκιά.
3. Πραγματοποιήστε απόδοση με Playwright στα 60fps χρησιμοποιώντας 8 υποπλαίσια με θόλωση κίνησης και, στη συνέχεια, κωδικοποιήστε με ffmpeg.
4. Πριν μου δείξετε οτιδήποτε, φτιάξτε ένα φύλλο με φωτογραφίες, σκανάρετε τις διαφορές καρέ για στιγμιότυπα μεμονωμένου καρέ (μόνο οι νότες της 16ης νότας μπορεί να μεταπηδούν) και ελέγξτε την αναλογία φωνής-μουσικής για κάθε φράση.

Ένα [ζεστό] άνοιγμα μπορεί να ακούγεται ψιθυριστό, ενώ το [ενθουσιασμένο] μπορεί να φαίνεται ψεύτικο. Ένα πλαίσιο επισήμανσης πίσω από μια λέξη μοιάζει με επιλογή κειμένου των Windows. Εάν η κάμερα επαναφερθεί στο 1.0 κατά τη διάρκεια μιας μεταβίβασης, το ζουμ ενεργοποιείται. Ένα fade 0,05 δευτ. μοιάζει με ένα άμεσο pop-in.

Ρώτα με για τις εισόδους, γράψε το σενάριο, στείλε μου 4 φωνητικές λήψεις για να διαλέξω και μετά δείξε μου 8 φωτογραφίες πριν από την πλήρη απόδοση.

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.

Η προτροπή λήφθηκε από θέση @rossaxbt.