Película de lanzamiento del modelo de imagen de Ora 2

Pídeme: el nombre de mi producto, una breve descripción, mi logotipo, de 3 a 6 capturas de pantalla del producto, más de 40 imágenes de lo que crea (o fotos), los colores y la fuente de mi marca, una clave API de ElevenLabs y un ID de voz, además de una pista libre de regalías con un drop claro (el archivo de audio y la marca de tiempo del drop). Si omito algo, usa estos valores predeterminados: "Ora 2", "un modelo de imagen hecho para el gusto", imágenes gratuitas de Unsplash y Pixabay, Geist, tinta #111214, la voz Samara X (19STyYD15bswVz51nqLf) en eleven_v4 y Pixabay "Cascade Breathe" (129.83 BPM, drop en 75.39s).

<script>
Escribe una locución de 9 líneas en este formato y adapta cada línea a mi producto:
"Esto es [nombre]. Una [categoría]... diseñada para [valor]. [Verbo] en CUALQUIER estilo. Dale una [entrada] y simplemente... lo entiende. Cuanto más lo uses, MEJOR funcionará. Ajusta su [configuración]. Su [configuración]. Su [configuración]. Cada [salida], exactamente como la imaginaste. [Nombre]. Ya disponible."
Usa etiquetas de emoción con moderación: [suavemente] en las líneas tranquilas y [emocionado] en la línea [Verbo]. No uses etiquetas al inicio y termínalo con un punto final.
</script>

Llama directamente a la API de ElevenLabs usando mi clave, sin MCP. Genera cuatro tomas completas del guion en una sola pasada y déjame elegir. Si una línea no suena bien, regenera solo esa línea cuatro veces e inserta la mejor versión en mi toma.
Reduzca las pausas de más de 0,28 s a 0,2 s y, a continuación, acerque cada frase al 85 % del nivel medio, ajustando la ganancia solo durante las pausas.
Para medir la duración de las palabras, divide la lectura en pausas de 100 ms o más, transcribe cada segmento por separado con Whisper y alinea su primera palabra con el inicio medido. Una sola pasada de Whisper puede colocar las palabras con un retraso de hasta medio segundo.

Un vídeo de presentación de 22 segundos, de formato cuadrado, con una resolución de 1440x1440 a 60 fps, al estilo del lanzamiento de un laboratorio de IA: lienzo blanco, una sola tipografía, tinta negra, imágenes reales y subtítulos escritos palabra por palabra en el momento exacto en que se pronuncian.
Cada control (barra de comandos, panel de configuración, etiqueta) utiliza cristal líquido: difumina la escena de fondo, la curva a lo largo del borde como si fuera cristal grueso y, a continuación, añade un brillo superior, un borde luminoso y una suave sombra de realce. El cristal desaparece sobre blanco liso, así que añade un aura pastel tenue con los colores de mi marca o un desenfoque de la foto de fondo.
Una de ellas resaltaba los tipos de palabras en un degradado de los colores de mi marca, con un tenue resplandor detrás.
Reglas de movimiento: mantén la cámara en movimiento (empuja de 1.0 a 1.04 por escena; cuando el contenido pase a la siguiente escena, comienza en el zoom donde terminó la escena anterior). Nada aparece instantáneamente: usa fundidos suaves de al menos 0.3 s. Cambia las imágenes en semicorcheas, con un clic para cada una. Haz que los cambios de escena coincidan con el inicio de las frases y alinea la caída de la música con la línea [Verb]. No muestres puntos en pantalla.
Prohibido: resaltados de cuadros de selección, golpes rítmicos, destellos blancos, 3D, plantillas.

Siete escenas, sincronizadas con la voz:

1. "Este es [nombre]": un collage de mis imágenes aparece mientras el nombre se escribe en grande, y luego da paso a la línea de categoría.
2. "hecho para [valor]": destellos de pantalla completa de mis mejores imágenes cambian en semicorcheas en el drop, con la línea escrita en blanco sobre ellas.
3. La caída: una barra de avisos de cristal escribe un breve mensaje. La tarjeta de resultados cambia de estilo cada dieciseisavo de nota, mientras que una ficha de estilo negro se desplaza a cada nuevo nombre sobre una tira de miniaturas.
4. "Muéstrale un moodboard": 9 imágenes se colocan en una cuadrícula de 3x3, luego rodea el resultado mientras aparece el texto "Te entiende" en la pantalla.
5. "Cuanto más lo uses, mejor se vuelve": escribe dos líneas, con la palabra resaltada en el degradado.
6. La configuración: muestra un panel de vidrio con 3 deslizadores, cada uno moviéndose a medida que ella lo nombra. Cambia el tono de la imagen, genera nuevas semillas en dieciseisavos y luego conviértela en un póster. Mueve una veladura borrosa de sus colores detrás del vidrio de forma sincronizada.
7. "Cada [resultado], exactamente como lo ves": expande 120 de mis imágenes desde el centro detrás de una píldora de texto de cristal, luego júntalas en mi logotipo mientras se escribe el nombre. Coloca "Disponible ahora" debajo y mantén presionado durante 2 segundos.

Reemplaza la barra de indicaciones, los resultados y los controles deslizantes con las entradas, salidas y configuraciones reales de mi producto.

Configura la canción de manera que el drop caiga en la línea [Verb] y ancla la cuadrícula de ritmos allí.
Atenúa la música por debajo de la voz con una cadena lateral de 3 bandas (graves 30%, medios 85%, aire 55%; 0,3 s de retención, 50 ms de anticipación, 0,5 s de liberación). Luego, ajusta los medios de cada frase hasta que la voz se sitúe unos 9 dB por encima de la música entre 300 Hz y 4 kHz.
Utiliza un Mixkit SFX descargado por evento, posicionado según su pico medido: un clic por cada cambio de imagen, un sonido de tecla por cada letra tecleada, un aterrizaje suave en la palabra enfatizada, silbidos e impactos en la caída y el logotipo. Recorta cada uno alrededor de su pico (muchos efectos de subida duran 4 segundos). Desvanece la música siguiendo una curva de dB debajo de la tarjeta final. Normaliza el volumen a -14 LUFS.

1. Un lienzo HTML. Cada fotograma es una función pura del tiempo dentro de seek(t), y cada título y corte sigue la tabla de palabras.
2. Vidrio: captura el lienzo detrás de la forma, difumínalo unos 14px para el cuerpo, dibuja una copia ligeramente borrosa ampliada aproximadamente 1.06x en una banda de 12px a lo largo del borde, luego agrega la leche, el brillo, el borde y la sombra.
3. Renderiza con Playwright a 60 fps usando 8 subfotogramas de desenfoque de movimiento, luego codifica con ffmpeg.
4. Antes de mostrarme nada, haz una hoja de contactos con imágenes fijas, analiza las diferencias entre fotogramas para detectar saltos de fotogramas individuales (solo las semicorcheas pueden presentar saltos) y comprueba la relación voz-música de cada frase.

Un saludo cordial puede sonar susurrado, mientras que uno entusiasta puede parecer falso. Un recuadro resaltado detrás de una palabra se parece a una selección de texto de Windows. Si la cámara se restablece a 1.0 durante una transferencia, el zoom se activa bruscamente. Un desvanecimiento de 0.05 s se ve como una aparición instantánea.

Pídeme las indicaciones, escribe el guion, envíame 4 tomas de voz para que elija y luego muéstrame 8 imágenes fijas antes del renderizado final.

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.

Mensaje tomado de correo @rossaxbt.