Configuration: Film de lancement du modèle d'image Ora 2

Veuillez me fournir : le nom de mon produit, un argumentaire concis, mon logo, 3 à 6 captures d’écran du produit, plus de 40 images (ou photos) illustrant ses fonctionnalités, les couleurs et la police de ma marque, une clé API ElevenLabs et un identifiant vocal, ainsi qu’une piste audio libre de droits avec un drop net (le fichier audio et l’horodatage du drop). Si j’omets des éléments, j’utiliserai les paramètres par défaut suivants : « Ora 2 », « un modèle d’image conçu pour le plaisir », des images libres de droits d’Unsplash et Pixabay, Geist, ink #111214, la voix de Samara X (19STyYD15bswVz51nqLf) sur eleven_v4, et « Cascade Breathe » de Pixabay (129,83 BPM, drop à 75,39 s).

<script>
Rédigez un texte de 9 lignes en respectant ce format et adaptez chaque ligne à mon produit :
« Voici [nom]. Une [catégorie]… conçue pour [valeur]. [Verbe] dans n’importe quel style. Donnez-lui une [entrée] et elle… comprend tout. Plus vous l’utilisez, meilleure elle devient. Ajustez ses [paramètres]. Ses [paramètres]. Ses [paramètres]. Chaque [sortie] est exactement comme vous l’aviez imaginée. [Nom]. Disponible dès maintenant. »
Utilisez les marqueurs d'émotion avec parcimonie : [doucement] sur les vers calmes et [excité] sur le vers contenant le verbe. N'ajoutez pas de marqueur au début du vers et terminez par un simple point.
</script>

Appelez directement l'API ElevenLabs avec ma clé, sans MCP. Générez quatre prises complètes du script en une seule passe et laissez-moi choisir. Si une phrase ne sonne pas bien, régénérez-la quatre fois et intégrez la meilleure version à ma prise.
Réduisez les pauses supérieures à 0,28 s à 0,2 s, puis amenez chaque phrase à 85 % du niveau médian, en ajustant le gain uniquement pendant les pauses.
Pour le minutage des mots, divisez la lecture en segments à des pauses de 100 ms ou plus, transcrivez chaque segment séparément avec Whisper et alignez le premier mot sur le début mesuré. Un seul passage avec Whisper peut décaler les mots jusqu'à une demi-seconde.

Un film de lancement carré de 22 secondes, 1440x1440 à 60 images par seconde, dans le style d'un lancement de laboratoire d'IA: toile blanche, une seule police de caractères, encre noire, images réelles et légendes tapées mot par mot au moment précis où elles sont prononcées.
Chaque élément de contrôle (barre d'invite, panneau de paramètres, capsule de légende) utilise un effet de verre liquide : givrez la scène en arrière-plan, courbez-la le long du bord comme du verre épais, puis ajoutez un brillant supérieur, un contour lumineux et une ombre douce. Le verre se fond dans le blanc uni ; ajoutez donc une aura pastel subtile aux couleurs de ma marque ou un flou artistique de la photo en arrière-plan.
L'une mettait en valeur les types de mots dans un dégradé des couleurs de ma marque, avec une légère lueur en arrière-plan.
Règles de mouvement : maintenir un mouvement de caméra fluide (de 1,0 à 1,04 par scène ; lors du passage à la scène suivante, reprendre le zoom à l’endroit où la scène précédente s’est terminée). Rien n’apparaît instantanément : utiliser des fondus enchaînés d’au moins 0,3 s. Changer d’image par doubles croches, avec un clic par image. Les changements de scène doivent coïncider avec le début des phrases musicales, et le début de la musique doit être aligné avec la ligne [Verbe]. Ne pas afficher les points à l’écran.
Interdits : les surlignages de boîtes de sélection, les slams rythmés, les flashs blancs, la 3D, les modèles.

Sept scènes, synchronisées avec la voix:

1. «Ceci est [nom]»: un collage de mes images apparaît au fur et à mesure que le nom s’affiche en gros caractères, puis laisse place à la ligne de catégorie.
2. "fait pour [valeur]: des flashs plein écran de mes meilleures images passent en notes de 16e dans le drop, avec la ligne tapée en blanc par-dessus.
3. Le tirage : une barre de saisie en verre affiche une brève invite. La carte de résultat change de style toutes les 16 notes, tandis qu’un jeton noir défile pour afficher chaque nouveau nom au-dessus d’une bande de vignettes.
4. «Montrez-lui un moodboard»: 9 images apparaissent dans une grille 3x3, puis entourez le résultat à mesure que «Cela vous parle» s'affiche à l'écran.
5. «Plus vous l'utilisez, meilleur il devient»: tapez deux lignes, avec le mot mis en valeur dans le dégradé.
6. Paramètres : afficher un panneau de verre avec trois curseurs, chacun se déplaçant au fur et à mesure qu’elle le nomme. Modifier la teinte de l’image, générer de nouvelles graines par incréments de 1/16, puis la transformer en affiche. Déposer un flou coloré derrière le verre, de manière synchronisée.
7. «Chaque [sortie], exactement comme vous la voyez»: projetez 120 de mes images depuis le centre derrière une capsule de légende en verre, puis rassemblez-les pour former mon logo pendant que le nom apparaît. Affichez «Disponible maintenant» en dessous et maintenez la pression pendant 2 secondes.

Remplacez la barre d'invite, les résultats et les curseurs par les entrées, sorties et paramètres réels de mon produit.

Réglez le morceau de façon à ce que le drop tombe sur la ligne [Verb], et ancrez la grille rythmique à cet endroit.
Atténuez la musique par rapport à la voix à l'aide d'un sidechain 3 bandes (graves 30 %, médiums 85 %, air 55 %; maintien 0,3 s, anticipation 50 ms, relâchement 0,5 s). Ajustez ensuite les médiums de chaque phrase jusqu'à ce que la voix soit environ 9 dB au-dessus de la musique entre 300 Hz et 4 kHz.
Utilisez un effet sonore Mixkit téléchargé par événement, positionné selon son pic mesuré : un clic pour chaque changement d’image, un son clé pour chaque lettre saisie, un atterrissage en douceur sur le mot mis en valeur, des bruissements et des impacts sur le drop et le logo. Ajustez chaque effet autour de son pic (de nombreuses montées durent 4 secondes). Diminuez le volume de la musique selon une courbe en dB sous le carton de fin. Réglez le niveau sonore à -14 LUFS.

1. Un canevas HTML. Chaque image est une fonction pure du temps à l'intérieur de seek(t), et chaque légende et chaque coupure suit le tableau de mots.
2. Verre: capturez la toile derrière la forme, floutez-la d'environ 14 px pour le corps, dessinez une copie légèrement floue agrandie d'environ 1,06x dans une bande de 12 px le long du bord, puis ajoutez le lait, la brillance, le bord et l'ombre.
3. Effectuez le rendu avec Playwright à 60 images par seconde en utilisant 8 sous-images de flou de mouvement, puis encodez avec ffmpeg.
4. Avant de me montrer quoi que ce soit, faites une planche-contact d'images fixes, scannez les différences d'images pour détecter les sauts d'image uniques (seuls les passages en doubles croches peuvent sauter), et vérifiez le rapport voix/musique pour chaque phrase.

Une introduction chaleureuse peut paraître chuchotée, tandis qu'une approche enthousiaste peut sembler artificielle. Un cadre de surbrillance derrière un mot ressemble à une sélection de texte Windows. Si la caméra revient à 1.0 pendant une transition, le zoom est brusque. Un fondu de 0,05 s donne l'impression d'une apparition instantanée.

Demandez-moi les éléments nécessaires, rédigez le script, envoyez-moi 4 prises vocales parmi lesquelles choisir, puis montrez-moi 8 images fixes avant le rendu 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.

Extrait de poste @rossaxbt.