Konfiguratzen: Ora 2 irudi modeloaren aurkezpen filma

Eskatu iezadazu: nire produktuaren izena, lerro bakarreko aurkezpen bat, nire logotipoa, produktuaren 3-6 pantaila-argazki, sortzen duenaren 40 irudi baino gehiago (edo argazkiak), nire markaren koloreak eta letra-tipoa, ElevenLabs API giltza eta ahots IDa, gehi copyrightik gabeko pista bat, argi eta garbi deskargatu dena (audio fitxategia eta deskargaren denbora-zigilua). Zerbait saltatzen badut, erabili lehenetsitako balio hauek: "Ora 2", "gustura egindako irudi-eredua", Unsplash eta Pixabay-ko doako irudiak, Geist, tinta #111214, Samara X ahotsa (19STyYD15bswVz51nqLf) eleven_v4-n, eta Pixabay "Cascade Breathe" (129.83 BPM, 75.39s-tan deskarga).

<script>
Idatzi 9 lerroko ahots-off bat formatu honetan eta egokitu lerro bakoitza nire produktura:
"Hau [izena] da. [Kategoria] bat... [balioa]rentzat eraikia. [Aditza] EDOZEIN estilotan. Eman iezaiozu [sarrera] bat - eta... ulertuko du. Zenbat eta gehiago erabili, orduan eta HOBETOA izango da. Doitu bere [ezarpena]. Bere [ezarpena]. Bere [ezarpena]. [Irteera] guztiak - irudikatu zenituen bezala. [Izena]. Orain eskuragarri."
Erabili emozio-etiketak neurriz: [astiro] lerro lasaietan eta [hunkituta] [Aditza] lerroan. Ez etiketatu hasiera, eta amaitu puntu soil batekin.
</script>

Deitu ElevenLabs APIa zuzenean nire gakoa erabiliz, MCP gabe. Sortu 4 gidoi osoko hartu-eman aldi berean eta utzi niri aukeratzen. Lerro bat ondo ez badabil, birsortu lerro hori 4 aldiz eta lotu bertsio onena nire hartu-emanari.
Laburtu 0,28 segundo baino luzeagoak diren etenaldiak 0,2 segundora, eta gero ekarri esaldi bakoitza % 85era median mailara, irabazia etenaldietan bakarrik doituz.
Hitz-denborak zehazteko, zatitu irakurketa 100 ms-ko edo luzeagoko etenaldietan, transkribatu segmentu bakoitza bereizita Whisper-ekin, eta lerrokatu bere lehen hitza neurtutako hasierarekin. Whisper-en pase bakar batek hitzak erdi segundoko atzerapenera arte jar ditzake.

22 segundoko jaurtiketa-film karratu bat, 1440x1440 60 fps-tan, IA laborategi baten jaurtiketa estilokoa: mihise zuria, letra-tipo bakarra, tinta beltza, irudi errealak eta ahoskatzen diren une zehatzean hitzez hitz idatzitako azpitituluak.
Kontrol guztiek (gonbita-barra, ezarpenen panela, azpititulu-pilula) beira likidoa erabiltzen dute: atzean dagoen eszena izoztu, eszena hori ertzean zehar tolestu beira lodi bat bezala, eta gero gehitu distira bat, ertz distiratsua eta itzal leun bat. Beira zuri arruntean desagertzen da, beraz, gehitu pastel aura motela nire markaren koloreekin edo atzean dagoen argazkiaren garbiketa lauso bat.
Batek nire markaren koloreen gradiente batean azpimarratutako hitz motak, atzean distira ahul batekin.
Mugimendu arauak: mantendu kamera mugitzen (eszena bakoitzeko 1.0tik 1.04ra bultzatu; edukia hurrengo eszenara mugitzen denean, hasi aurreko eszena amaitu zen zoom-ean). Ez da ezer berehala agertzen: erabili gutxienez 0.3s-ko desagertze arinduak. Aldatu irudiak 16. noten gainean, klik batekin bakoitzean. Lerratu eszena aldaketak esaldien hasieran, eta lerrokatu musikaren jaitsiera [Aditza] lerroarekin. Ez erakutsi puntu osoak pantailan.
Debekatuta: hautaketa-koadroko nabarmentzeak, erritmo-kolpeak, distira zuriak, 3D, txantiloiak.

Zazpi eszena, ahotsaren erritmoan:

1. "Hau [izena] da": nire irudien collage bat agertzen da izena letra handietan idazten den heinean, eta gero kategoria-lerroari ematen dio lekua.
2. "[balioa]-rentzat egina": nire irudi onenen pantaila osoko flashek 16ko notak jartzen dituzte tantaka, gainean lerro zuriz idatzita dutela.
3. Tanta: beirazko barra batek gonbidapen labur bat idazten du. Emaitza txartelak estiloa aldatzen du 16. nota bakoitzeko, eta estilo-txip beltz bat agertzen da miniatura-zerrenda baten gainean izen berri bakoitzera.
4. "Erakutsi moodboard bat": 9 irudi 3x3ko sareta batean jarri, eta emaitza zirkulu batean jarri pantailan "Harrapatzen zaitu" idazten den heinean.
5. "Zenbat eta gehiago erabili, orduan eta hobeto": idatzi bi lerro, azpimarratutako hitza gradientean duela.
6. Ezarpenak: erakutsi beirazko panel bat 3 graduatzailerekin, bakoitza berak izendatzen duen bezala mugitzen dena. Aldatu irudiaren tonua, bota hazi berriak 16etan, eta gero bihurtu poster. Mugitu bere koloreen lausotze bat beiraren atzean sinkronizatuta.
7. "[Irteera] bakoitza, zuk ikusten duzun bezala": 120 irudi kanporantz lehertu erdigunetik beirazko azpititulu-pilularen atzean, eta gero nire logotipoan elkartu izena idazten den heinean. Jarri "Orain argitaratua" azpian eta eutsi 2 segundoz.

Ordeztu gonbita-barra, emaitzak eta graduatzaileak nire produktuaren benetako sarrera, irteera eta ezarpenekin.

Ezarri abestia tanta [Aditza] lerroan erortzeko moduan, eta ainguratu erritmo-sareta han.
Saihestu musika ahotsaren azpian 3 bandako albo-kate batekin (baxuak % 30, erdiak % 85, airea % 55; 0,3 segundoko eutsia, 50 ms aurreratua, 0,5 segundoko askapena). Ondoren, egokitu esaldi bakoitzaren erdiak ahotsa musikaren gainetik 9 dB inguru egon arte, 300 Hz eta 4 kHz artean.
Erabili deskargatutako Mixkit SFX bat gertaera bakoitzeko, neurtutako gailurraren arabera kokatuta: klik bat irudi-aldaketa bakoitzeko, tekla-soinu bat idatzitako letra bakoitzeko, lurreratze leuna azpimarratutako hitzean, txistu-hotsak eta inpaktuak jaitsieran eta logotipoan. Moztu bakoitza bere gailurraren inguruan (igoera asko 4 segundokoak dira). Desagertu musika dB kurba batean zehar amaierako txartelaren azpian. Loudnorm -14 LUFS-ra.

1. HTML mihise bat. Fotograma bakoitza denboraren funtzio hutsa da seek(t) barruan, eta azpititulu eta mozketa guztiak hitz-taularen ondoren datoz.
2. Beira: hartu formaren atzean dagoen mihisea, lausotu 14px inguru gorputzerako, marraztu kopia lauso samarra 1,06x inguru handituta 12px-ko banda batean ertzean zehar, eta gero gehitu esnea, distira, ertza eta itzala.
3. Errendatu Playwright ekin 60 fps-tan 8 mugimendu-lausotze azpifotograma erabiliz, eta ondoren kodetu ffmpeg.
4. Ezer erakutsi aurretik, egin argazki finkoen kontaktu-orri bat, eskaneatu fotograma-desberdintasunak fotograma bakarreko pop-ak bilatzeko (16. notako segidak bakarrik salto egin dezakete) eta egiaztatu esaldi bakoitzaren ahots-musika erlazioa.

[Bero] hasiera batek xuxurlatuta iruditu daiteke, [hunkituta] faltsua izan daitekeen bitartean. Hitz baten atzean dagoen nabarmentze-koadro batek Windows testu-hautaketa baten itxura du. Kamera 1.0ra berrezartzen bada eskualdatzean, zooma moteldu egiten da. 0,05 segundoko desagertze batek berehalako agerpen baten itxura du.

Eskatu ekarpenak, idatzi gidoia, bidali 4 ahots-hartze aukeran, eta erakutsi 8 argazki errendatze osoa egin aurretik.

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.

Gomendioa hemendik hartua mezua @rossaxbt.