Lanĉfilmo de la bildmodelo Ora 2

Petu de mi: mian produktonomon, unu-linian prezenton, mian emblemon, 3 ĝis 6 ekranfotojn de la produkto, pli ol 40 bildojn de tio, kion ĝi kreas (aŭ fotojn de ĝi), miajn markkolorojn kaj tiparon, ElevenLabs API-ŝlosilon kaj voĉan identigilon, kaj plie senpagan trakon kun klara eligo (la sondosiero kaj la tempstampo de la eligo). Se mi preterlasas ion, uzu ĉi tiujn defaŭltojn: "Ora 2", "bildmodelo farita laŭguste", senpagaj bildoj de Unsplash kaj Pixabay, Geist, inko #111214, la voĉo Samara X (19STyYD15bswVz51nqLf) sur eleven_v4, kaj Pixabay "Cascade Breathe" (129.83 BPM, eligo je 75.39s).

<script>
Verku 9-linian voĉtranspafon en ĉi tiu formato kaj adaptu ĉiun linion al mia produkto:
"Ĉi tio estas [nomo]. [Kategorio]... konstruita por [valoro]. [Verbo] en ĈIU stilo. Donu al ĝi [enigon] - kaj ĝi simple... komprenas. Ju pli vi uzas ĝin, des PLI BONA ĝi fariĝas. Adaptu ĝian [agordon]. Ĝian [agordon]. Ĝian [agordon]. Ĉiun [eligon] - precize kiel vi imagis ĝin. [Nomo]. Nun havebla."
Uzu emociajn etikedojn ŝpareme: [mallaŭte] ĉe la kvietaj linioj kaj [ekscitita] ĉe la [Verbo] linio. Ne etikedu la komencan frazon, kaj finu ĝin per simpla punkto.
</script>

Voku la API-on de ElevenLabs rekte uzante mian ŝlosilon, sen MCP. Generu 4 plen-skriptajn prenojn en unu paŝo kaj lasu min elekti. Se linio ne sonas ĝuste, regeneru nur tiun linion 4 fojojn kaj kunigu la plej bonan version en mian prenon.
Mallongigu paŭzojn pli longajn ol 0.28 sekundoj al 0.2 sekundoj, poste alportu ĉiun frazon 85% de la vojo al la mediana nivelo, alĝustigante la gajnon nur dum paŭzoj.
Por vorttempigoj, dividu la legadon je paŭzoj de 100ms aŭ pli longaj, transskribu ĉiun segmenton aparte per Whisper, kaj vicigu ĝian unuan vorton al la mezurita komenco. Unuopa Whisper-eniro povas meti vortojn ĝis duonsekundon malfrue.

22-sekunda kvadrata lanĉfilmo, 1440x1440 je 60 kadroj po sekundo, laŭ la stilo de lanĉo de AI-laboratorio: blanka kanvaso, unu tiparo, nigra inko, realaj bildoj kaj apudskriboj tajpitaj laŭvorte en la preciza momento kiam ili estas parolataj.
Ĉiu kontrolo (instigbreto, agorda panelo, apudskriba pilolo) uzas likvan vitron: glazurigu la scenon malantaŭ ĝi, fleksu tiun scenon laŭ la rando kiel dikan vitron, poste aldonu supran brilon, brilan randon kaj mildan levitan ombron. Vitro malaperas sur simpla blanko, do aldonu malrapidan pastelan aŭron en miaj markaj koloroj aŭ malklaran lavadon de la foto malantaŭ ĝi.
Tiu emfazita vortspeco en gradiento de miaj markaj koloroj, kun malforta brilo malantaŭ ĝi.
Movadaj reguloj: tenu la fotilon drivanta (puŝu de 1.0 al 1.04 por ĉiu sceno; kiam la enhavo moviĝas al la sekva sceno, komencu ĉe la zomo kie la antaŭa sceno finiĝis). Nenio aperas tuj: uzu malstreĉitajn svagiĝojn de almenaŭ 0.3 sekundoj. Ŝanĝu bildojn sur 16-notoj, per klako por ĉiu. Alteriĝu scenŝanĝojn sur frazkomenco, kaj vicigu la muzikfalon kun la [Verbo] linio. Ne montru punktojn sur la ekrano.
Malpermesitaj: elstarigoj en la elekto-kesto, klakoj en la ritmo, blankaj ekbriloj, 3D, ŝablonoj.

Sep scenoj, tempigitaj laŭ la voĉo:

1. "Ĉi tiu estas [nomo]": kolaĝo de miaj bildoj malaperas dum la nomo tajpas grande, poste cedas lokon al la kategorio-linio.
2. "farita por [valoro]": plenekranaj ekbriloj de miaj plej bonaj bildoj ŝaltas 16-notojn en la falmenuon, kun la linio tajpita blanke super ili.
3. La falo: vitra instigbreto tajpas mallongan instigon. La rezulta karto ŝanĝas stilon ĉiun 16-an noton, dum nigra stila ico ruliĝas al ĉiu nova nomo super bildeto-strio.
4. "Montru al ĝi etostabulon": 9 bildoj flugas en 3x3-kradon, poste rondiru la rezulton dum "Ĝi kaptas vin" tajpas sur la ekrano.
5. "Ju pli vi uzas ĝin, des pli bona ĝi fariĝas": tajpu du liniojn, kun la emfazita vorto en la gradiento.
6. La agordoj: montru vitran panelon kun 3 ŝoviloj, ĉiu moviĝanta laŭ ŝia nomo. Ŝanĝu la nuancon de la bildo, ruligu novajn semojn sur la 16-aj, poste transformu ĝin en afiŝon. Ŝovu malklaran lavon de ĝiaj koloroj malantaŭ la vitron sinkrone.
7. "Ĉiu [rezulto], precize kiel vi vidas ĝin": eksplodigu 120 el miaj bildoj eksteren de la centro malantaŭ vitra apudskriba pilolo, poste kunigu ilin en mian emblemon dum la nomo tajpas. Skribu "Eliranta nun" sube kaj tenu dum 2 sekundoj.

Anstataŭigu la promptan breton, rezultojn kaj ŝovilojn per la realaj enigoj, eligoj kaj agordoj de mia produkto.

Agordu la kanton tiel, ke la guto alteriĝu sur la linion [Verb], kaj ankru la taktokrado tie.
Kaŝigu la muzikon sub la voĉon per 3-benda flankĉeno (malaltaj 30%, mezaj 85%, aero 55%; 0.3s teno, 50ms antaŭrigardo, 0.5s liberigo). Poste ĝustigu la mezajn frekvencojn de ĉiu frazo ĝis la voĉo sidas ĉirkaŭ 9 dB super la muziko inter 300 Hz kaj 4 kHz.
Uzu unu elŝutitan Mixkit SFX por ĉiu evento, poziciigita laŭ ĝia mezurita pinto: klako por ĉiu bildoŝanĝo, klavosono por ĉiu tajpita litero, mola alteriĝo sur la emfazita vorto, susuoj, kaj efikoj sur la falo kaj emblemo. Tajlu ĉiun ĉirkaŭ ĝia pinto (multaj leviĝoj estas 4 sekundoj). Malfortigu la muzikon laŭ dB-kurbo sub la fina karto. Laŭtnormigu ĝis -14 LUFS.

1. Unu HTML kanvaso. Ĉiu kadro estas pura funkcio de tempo ene de serĉo(t), kaj ĉiu apudskribo kaj tranĉo sekvas la vorttabelon.
2. Vitro: kaptu la kanvason malantaŭ la formo, malklarigu ĝin je ĉirkaŭ 14 rastrumeroj por la korpo, desegnu iomete malklarigitan kopion pligrandigitan je ĉirkaŭ 1,06-oble en 12 rastrumera bendo laŭlonge de la rando, poste aldonu la lakton, brilon, randon kaj ombron.
3. Bildigu per Playwright je 60 kadroj po sekundo uzante 8 moviĝmalklarigajn subkadrojn, poste ĉifru per ffmpeg.
4. Antaŭ ol montri al mi ion ajn, faru kontaktfolion de senmovaj bildoj, skanu kadrajn diferencojn por unu-kadraj elstaraĵoj (nur la 16-notaj serioj povas salti), kaj kontrolu la voĉo-muzikan rilatumon por ĉiu frazo.

[Varme] komenca frazo povas soni flustrata, dum [ekscitita] povas ŝajni falsa. Markita skatolo malantaŭ vorto aspektas kiel Vindoza teksta elekto. Se la fotilo restariĝas al 1.0 dum transdono, la zomo haltas. 0.05-sekonda svagiĝo aspektas kiel tuja eksplodo.

Petu de mi la kontribuaĵojn, skribu la manuskripton, sendu al mi 4 voĉajn prenojn por elekti, poste montru al mi 8 senmovajn bildojn antaŭ la plena bildigo.

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.

Instigo prenita de afiŝo @rossaxbt.