Configuración: Película de lanzamento do modelo de imaxe Ora 2

Pídeme: o nome do meu produto, unha presentación dunha liña, o meu logotipo, de 3 a 6 capturas de pantalla do produto, máis de 40 imaxes do que crea (ou fotos del), as cores e o tipo de letra da miña marca, unha clave API de ElevenLabs e un ID de voz, ademais dunha pista libre de dereitos de autor cunha data de lanzamento clara (o ficheiro de audio e a marca de tempo da lanzamento). Se me salto algo, usa estes valores predeterminados: "Ora 2", "un modelo de imaxe feito para o gusto", imaxes gratuítas de Unsplash e Pixabay, Geist, tinta #111214, a voz Samara X (19STyYD15bswVz51nqLf) en eleven_v4 e Pixabay "Cascade Breathe" (129,83 BPM, lanzamento a 75,39 s).

<script>
Escribe unha locución de 9 liñas neste formato e adapta cada liña ao meu produto:
"Este é [nome]. Unha [categoría]... construída para [valor]. [Verbo] en CALQUERA estilo. Dálle unha [entrada] e simplemente... entende. Canto máis o uses, MELLOR se fai. Axusta a súa [configuración]. A súa [configuración]. A súa [configuración]. Cada [saída], exactamente como a imaxinabas. [Nome]. Xa dispoñible."
Usa as etiquetas de emoción con moderación: [suavemente] nas liñas tranquilas e [emocionado] na liña [verbo]. Non etiquetes a frase inicial e remátaa cun punto simple.
</script>

Chama á API de ElevenLabs directamente coa miña clave, sen un MCP. Xera 4 tomas de guión completo nunha soa pasada e déixame escoller. Se unha liña non soa ben, rexenera só esa liña 4 veces e empalma a mellor versión na miña toma.
Acurta as pausas de máis de 0,28 s a 0,2 s e despois achega cada frase ao nivel medio o 85 %, axustando a ganancia só durante as pausas.
Para os tempos de palabras, divide a lectura en pausas de 100 ms ou máis, transcribe cada segmento por separado con Whisper e aliña a súa primeira palabra co inicio medido. Unha única pasada de Whisper pode colocar palabras ata medio segundo de atraso.

Unha película de lanzamento cadrada de 22 segundos, 1440x1440 a 60 fps, ao estilo do lanzamento dun laboratorio de IA: lenzo branco, un tipo de letra, tinta negra, imaxes reais e subtítulos escritos palabra por palabra no momento exacto en que se din.
Todos os controles (barra de avisos, panel de configuración, pílula de subtítulos) usan vidro líquido: conxela a escena que hai detrás, dóbraa ao longo do bordo coma se fose vidro groso e despois engade un brillo superior, un bordo brillante e unha sombra suave. O vidro desaparece sobre o branco liso, así que engade unha aura pastel lenta coas cores da miña marca ou un lavado borroso da foto que hai detrás.
O que enfatizaba os tipos de palabras nun degradado das cores da miña marca, cun brillo tenue detrás.
Regras de movemento: manter a cámara á deriva (empurrar de 1,0 a 1,04 por escena; cando o contido se mova á seguinte escena, comezar no zoom onde rematou a escena anterior). Non aparece nada instantaneamente: usar fundidos suavizados de polo menos 0,3 s. Cambiar imaxes nas semicorcheas, cun clic para cada unha. Aterrar os cambios de escena no comezo das frases e aliñar a caída da música coa liña [Verbo]. Non mostrar puntos na pantalla.
Prohibido: realces da caixa de selección, golpes con ritmo, flashes brancos, 3D, modelos.

Sete escenas, sincronizadas coa voz:

1. "Este é [nome]": unha colaxe das miñas imaxes aparece mentres o nome se escribe en grande e logo dá paso á liña de categoría.
2. "feito para [valor]": flashes a pantalla completa das miñas mellores imaxes actívanse sobre semicorcheas na liña de fondo, coa liña escrita en branco enriba delas.
3. A caída: unha barra de indicacións de vidro escribe unha indicación curta. A tarxeta de resultados cambia de estilo cada notas décima sexta, mentres que unha ficha de estilo negra desprázase ata cada nome novo enriba dunha tira de miniaturas.
4. "Móstralle un moodboard": 9 imaxes voan nunha cuadrícula de 3x3 e logo rodea o resultado mentres escribe "Atrapa" na pantalla.
5. «Canto máis o uses, mellor se fai»: escribe dúas liñas, coa palabra enfatizada no gradiente.
6. A configuración: mostra un panel de vidro con 3 controis deslizantes, cada un movéndose segundo o nome que ela lle dea. Cambia a tonalidade da imaxe, engade novas sementes en 16º e logo convértea nun póster. Despraza unha mancha borrosa das súas cores detrás do vidro de forma sincronizada.
7. "Cada [produción], exactamente como a ves": Expande 120 das miñas imaxes cara a fóra desde o centro detrás dunha pílula de subtítulos de vidro e, a seguir, xúntaas no meu logotipo mentres o nome se escribe. Pon "Xa dispoñible" debaixo e mantén premido durante 2 segundos.

Substitúe a barra de avisos, os resultados e os controis deslizantes polas entradas, saídas e configuracións reais do meu produto.

Axusta a canción de xeito que a gota caia na liña [Verbo] e ancora a grella de ritmo alí.
Acouga a música por debaixo da voz cunha cadea lateral de 3 bandas (graves 30 %, medios 85 %, aire 55 %; 0,3 s de retención, 50 ms de anticipación, 0,5 s de liberación). Despois, axusta os medios de cada frase ata que a voz se sitúe uns 9 dB por riba da música entre 300 Hz e 4 kHz.
Usa un Mixkit SFX descargado por evento, posicionado polo seu pico medido: un clic para cada cambio de imaxe, un son de tecla para cada letra escrita, unha aterraxe suave na palabra enfatizada, sibilos e impactos na caída e no logotipo. Recorta cada un arredor do seu pico (moitos subidores duran 4 segundos). Atenua a música ao longo dunha curva de dB debaixo da tarxeta final. Loudnorm a -14 LUFS.

1. Un lenzo HTML. Cada fotograma é unha función pura do tempo dentro de seek(t), e cada lenda e corte segue á táboa de palabras.
2. Vidro: captura a lona detrás da forma, desenfócaa uns 14 px para o corpo, debuxa unha copia lixeiramente desenfocada ampliada uns 1,06x nunha banda de 12 px ao longo do bordo e, a seguir, engade o leite, o brillo, o bordo e a sombra.
3. Renderiza con Playwright a 60 fps usando 8 subfotogramas de desenfoque de movemento e despois codifica con ffmpeg.
4. Antes de mostrarme nada, fai unha folla de contactos con imaxes fixas, busca diferenzas entre fotogramas para detectar saltos nun só fotograma (só as series de semicorcheas poden saltar) e comproba a proporción voz-música de cada frase.

Unha frase inicial [acalora] pode soar susurrada, mentres que [emocionada] pode parecer falsa. Un cadro de resaltado detrás dunha palabra semella unha selección de texto de Windows. Se a cámara se reinicia a 1.0 durante unha entrega, o zoom apágase. Un desvanecemento de 0,05 segundos semella unha aparición instantánea.

Pídeme as achegas, escribe o guión, envíame 4 tomas de voz para escoller e despois móstrame 8 imaxes fixas antes do renderizado completo.

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.

Solicitude tomada de publicación @rossaxbt.