ઓરા 2 ઇમેજ મોડેલ લોન્ચ ફિલ્મ

મને પૂછો: મારું ઉત્પાદન નામ, એક-લાઇન પિચ, મારો લોગો, ઉત્પાદનના 3 થી 6 સ્ક્રીનશોટ, તે શું બનાવે છે તેની 40+ છબીઓ (અથવા તેના ફોટા), મારા બ્રાન્ડ રંગો અને ફોન્ટ, એક ElevenLabs API કી અને વૉઇસ ID, ઉપરાંત સ્પષ્ટ ડ્રોપ સાથે રોયલ્ટી-મુક્ત ટ્રેક (ઑડિઓ ફાઇલ અને ડ્રોપ ટાઇમસ્ટેમ્પ). જો હું કંઈપણ છોડી દઉં, તો આ ડિફોલ્ટ્સનો ઉપયોગ કરો: "Ora 2", "સ્વાદ માટે બનાવેલ છબી મોડેલ", Unsplash અને Pixabay માંથી મફત છબીઓ, Geist, ink #111214, eleven_v4 પર Samara X (19STyYD15bswVz51nqLf) નો અવાજ, અને Pixabay "Cascade Breathe" (129.83 BPM, 75.39s પર ડ્રોપ).

<script>
આ ફોર્મેટમાં 9-લાઇનનો વૉઇસઓવર લખો અને દરેક લાઇનને મારા ઉત્પાદનમાં અનુકૂલિત કરો:
"આ [નામ] છે. એક [શ્રેણી]... [મૂલ્ય] માટે બનાવેલ છે. [ક્રિયાપદ] કોઈપણ શૈલીમાં. તેને [ઇનપુટ] આપો - અને તે ફક્ત... સમજે છે. તમે તેનો જેટલો વધુ ઉપયોગ કરશો, તેટલું તે વધુ સારું થશે. તેની [સેટિંગ] ગોઠવો. તે [સેટિંગ] છે. તે [સેટિંગ] છે. દરેક [આઉટપુટ] - બરાબર જેમ તમે તેને ચિત્રિત કર્યું છે. [નામ]. હવે બહાર."
લાગણીના ટૅગ્સનો ઉપયોગ ઓછો કરો: શાંત પંક્તિઓમાં [હળવાથી] અને [ક્રિયાપદ] પંક્તિમાં [ઉત્તેજિત]. શરૂઆતના શબ્દને ટૅગ કરશો નહીં, અને તેને સાદા પૂર્ણવિરામ સાથે સમાપ્ત કરો.
</script>

મારી કીનો ઉપયોગ કરીને સીધા જ ElevenLabs API ને કૉલ કરો, MCP વગર. એક પાસમાં 4 ફુલ-સ્ક્રિપ્ટ ટેક જનરેટ કરો અને મને પસંદ કરવા દો. જો કોઈ લાઇન બરાબર ન લાગે, તો ફક્ત તે લાઇનને 4 વાર ફરીથી બનાવો અને શ્રેષ્ઠ સંસ્કરણને મારા ટેકમાં જોડો.
0.28 સેકન્ડથી લાંબા વિરામને 0.2 સેકન્ડ સુધી ટૂંકા કરો, પછી દરેક શબ્દસમૂહને 85% મધ્ય સ્તર તરફ લાવો, ફક્ત વિરામ દરમિયાન ગેઇનને સમાયોજિત કરો.
શબ્દ સમય માટે, 100ms કે તેથી વધુ સમયના વિરામ પર વાંચનને વિભાજીત કરો, વ્હિસ્પર વડે દરેક સેગમેન્ટને અલગથી ટ્રાન્સક્રિપ્શન કરો અને તેના પહેલા શબ્દને માપેલા પ્રારંભ સાથે સંરેખિત કરો. એક જ વ્હિસ્પર પાસ શબ્દોને અડધી સેકન્ડ મોડી સુધી મૂકી શકે છે.

AI લેબ લોન્ચની શૈલીમાં, 1440x1440 ની 60fps પર 22-સેકન્ડની ચોરસ લોન્ચ ફિલ્મ: સફેદ કેનવાસ, એક ટાઇપફેસ, કાળી શાહી, વાસ્તવિક છબીઓ અને કૅપ્શન્સ, જે સમયે તેઓ બોલાય છે તે જ સમયે શબ્દ-દર-શબ્દ ટાઇપ કરવામાં આવ્યા છે.
દરેક નિયંત્રણ (પ્રોમ્પ્ટ બાર, સેટિંગ્સ પેનલ, કૅપ્શન પિલ) પ્રવાહી કાચનો ઉપયોગ કરે છે: તેની પાછળના દ્રશ્યને ઠંડો કરો, તે દ્રશ્યને જાડા કાચની જેમ ધાર સાથે વાળો, પછી ટોચની ચમક, તેજસ્વી કિનાર અને નરમ લિફ્ટ શેડો ઉમેરો. કાચ સાદા સફેદ પર અદૃશ્ય થઈ જાય છે, તેથી મારા બ્રાન્ડ રંગોમાં ધીમી પેસ્ટલ આભા ઉમેરો અથવા તેની પાછળના ફોટાનો ઝાંખો ધોવો ઉમેરો.
જે મારા બ્રાન્ડના રંગોના ગ્રેડિયન્ટમાં શબ્દ ટાઇપ પર ભાર મૂકે છે, તેની પાછળ આછો ગ્લો છે.
ગતિના નિયમો: કેમેરાને ડ્રિફ્ટિંગ રાખો (પ્રતિ દ્રશ્ય 1.0 થી 1.04 સુધી દબાણ કરો; જ્યારે સામગ્રી આગલા દ્રશ્ય પર જાય છે, ત્યારે પહેલાના દ્રશ્યના અંત સુધી ઝૂમ શરૂ કરો). કંઈપણ તરત જ દેખાતું નથી: ઓછામાં ઓછા 0.3 સેકન્ડના હળવા ફેડ્સનો ઉપયોગ કરો. 16મી નોંધ પર છબીઓ બદલો, દરેક માટે એક ક્લિક સાથે. શબ્દસમૂહ શરૂ થાય ત્યારે દ્રશ્યમાં ફેરફાર થાય છે, અને સંગીત ડ્રોપને [ક્રિયાપદ] લાઇન સાથે સંરેખિત કરો. સ્ક્રીન પર પૂર્ણવિરામ બતાવશો નહીં.
પ્રતિબંધિત: પસંદગી-બોક્સ હાઇલાઇટ્સ, બીટ-સ્નેપ્ડ સ્લેમ્સ, સફેદ ફ્લેશ, 3D, ટેમ્પ્લેટ્સ.

અવાજના સમય મુજબ સાત દ્રશ્યો:

૧. "આ [નામ] છે": નામ મોટા અક્ષરોમાં લખતાંની સાથે મારી છબીઓનો કોલાજ બહાર નીકળી જાય છે, અને પછી શ્રેણી રેખામાં સ્થાન મેળવે છે.
2. "made for [value]": મારી શ્રેષ્ઠ છબીઓની પૂર્ણ-સ્ક્રીન ફ્લેશ 16મી નોંધને ડ્રોપમાં સ્વિચ કરે છે, તેના પર સફેદ રંગમાં રેખા લખેલી હોય છે.
૩. ડ્રોપ: ગ્લાસ પ્રોમ્પ્ટ બાર એક ટૂંકો પ્રોમ્પ્ટ લખે છે. પરિણામ કાર્ડ દર ૧૬મી નોંધે શૈલી બદલે છે, જ્યારે થંબનેલ સ્ટ્રીપ ઉપર દરેક નવા નામ પર કાળી શૈલીની ચિપ રોલ કરે છે.
4. "તેને મૂડબોર્ડ બતાવો": 9 છબીઓ 3x3 ગ્રીડમાં ઉડે છે, પછી સ્ક્રીન પર "તે તમને મળે છે" ટાઇપ પ્રમાણે પરિણામને વર્તુળ કરો.
૫. "તમે તેનો જેટલો વધુ ઉપયોગ કરશો, તેટલું સારું થશે": ગ્રેડિયન્ટમાં ભાર મૂકેલા શબ્દ સાથે બે લીટીઓ લખો.
6. સેટિંગ્સ: 3 સ્લાઇડર્સ સાથે કાચની પેનલ બતાવો, દરેક તેણીના નામ પ્રમાણે ફરતી રહે છે. છબીનો રંગ બદલો, 16મા ભાગ પર નવા બીજ ફેરવો, પછી તેને પોસ્ટરમાં ફેરવો. કાચની પાછળ તેના રંગોનો ઝાંખો રંગ સુમેળમાં ફેરવો.
૭. "દરેક [આઉટપુટ], બરાબર તમે તેને જે રીતે જુઓ છો તે રીતે": કાચની કેપ્શન પિલ પાછળ મધ્યથી મારી ૧૨૦ છબીઓ બહારની તરફ ફોડો, પછી નામ લખતાની સાથે જ તેમને મારા લોગોમાં એકસાથે લાવો. નીચે "આઉટ નાઉ" લખો અને ૨ સેકન્ડ માટે પકડી રાખો.

પ્રોમ્પ્ટ બાર, પરિણામો અને સ્લાઇડર્સને મારા ઉત્પાદનના વાસ્તવિક ઇનપુટ, આઉટપુટ અને સેટિંગ્સથી બદલો.

ગીતને એવી રીતે સેટ કરો કે ડ્રોપ [ક્રિયાપદ] લાઇન પર આવે, અને ત્યાં બીટ ગ્રીડને એન્કર કરો.
3-બેન્ડ સાઇડચેન (30% નીચી, 85% ની મધ્ય, 55% ની હવા; 0.3s ની પકડ, 50ms ની આગળ જોવાની ક્ષમતા, 0.5s ની રિલીઝ) વડે સંગીતને અવાજની નીચે દબાવો. પછી દરેક શબ્દસમૂહના મધ્યભાગને ત્યાં સુધી ગોઠવો જ્યાં સુધી અવાજ 300 Hz અને 4 kHz ની વચ્ચે સંગીતથી લગભગ 9 dB ઉપર ન બેસે.
દરેક ઇવેન્ટ માટે એક ડાઉનલોડ કરેલ મિક્સકિટ SFX નો ઉપયોગ કરો, જે તેની માપેલી ટોચ દ્વારા સ્થિત હોય: દરેક છબી ફેરફાર માટે એક ક્લિક, દરેક ટાઇપ કરેલા અક્ષર માટે એક કી સાઉન્ડ, ભાર મૂકેલા શબ્દ પર સોફ્ટ લેન્ડિંગ, હૂશ અને ડ્રોપ અને લોગો પર અસર. દરેકને તેની ટોચની આસપાસ ટ્રિમ કરો (ઘણા રાઇઝર્સ 4 સેકન્ડના છે). એન્ડ કાર્ડ હેઠળ dB વળાંક સાથે સંગીતને ફેડ કરો. લાઉડનોર્મ -14 LUFS સુધી.

૧. એક HTML કેનવાસ. દરેક ફ્રેમ seek(t) ની અંદર સમયનું શુદ્ધ કાર્ય છે, અને દરેક કેપ્શન અને કટ શબ્દ કોષ્ટકને અનુસરે છે.
2. કાચ: આકારની પાછળના કેનવાસને કેપ્ચર કરો, તેને બોડી માટે લગભગ 14px બ્લર કરો, કિનારી સાથે 12px બેન્ડમાં લગભગ 1.06x મેગ્નિફાઇડ કરીને થોડી બ્લર કોપી દોરો, પછી દૂધ, ચમક, રિમ અને શેડો ઉમેરો.
૩. ૮ મોશન-બ્લર સબફ્રેમ્સનો ઉપયોગ કરીને 60fps પર Playwright સાથે રેન્ડર કરો, પછી ffmpeg સાથે એન્કોડ કરો.
૪. મને કંઈપણ બતાવતા પહેલા, સ્ટિલ્સની કોન્ટેક્ટ શીટ બનાવો, સિંગલ-ફ્રેમ પોપ્સ માટે ફ્રેમ ડિફરન્સ સ્કેન કરો (ફક્ત ૧૬મી-નોટ રન જમ્પ કરી શકે છે), અને દરેક શબ્દસમૂહ માટે વૉઇસ-ટુ-મ્યુઝિક રેશિયો તપાસો.

[ઉષ્માભર્યું] ઓપનર ફફડાટથી સંભળાઈ શકે છે, જ્યારે [ઉત્તેજિત] નકલી લાગે છે. શબ્દની પાછળનો હાઇલાઇટ બોક્સ વિન્ડોઝ ટેક્સ્ટ પસંદગી જેવો દેખાય છે. જો હેન્ડઓફ દરમિયાન કેમેરા 1.0 પર રીસેટ થાય છે, તો ઝૂમ સ્નેપ થાય છે. 0.05s ફેડ ઇન્સ્ટન્ટ પોપ-ઇન જેવું લાગે છે.

મને ઇનપુટ્સ માટે પૂછો, સ્ક્રિપ્ટ લખો, મને પસંદ કરવા માટે 4 વોઇસ ટેક મોકલો, પછી સંપૂર્ણ રેન્ડર પહેલાં મને 8 સ્ટિલ બતાવો.

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.

પ્રોમ્પ્ટ અહીંથી લેવામાં આવ્યો છે પોસ્ટ @rossaxbt.