ओरा 2 इमेज मॉडल लॉन्च फिल्म

मुझसे ये चीज़ें मांगें: मेरे उत्पाद का नाम, एक पंक्ति का संक्षिप्त विवरण, मेरा लोगो, उत्पाद के 3 से 6 स्क्रीनशॉट, उत्पाद से बनने वाली चीज़ों की 40 से अधिक छवियां (या उनकी तस्वीरें), मेरे ब्रांड के रंग और फ़ॉन्ट, ElevenLabs API कुंजी और वॉइस ID, साथ ही एक रॉयल्टी-मुक्त ट्रैक जिसमें स्पष्ट ड्रॉप (ऑडियो फ़ाइल और ड्रॉप टाइमस्टैम्प) हो। अगर मैं कुछ भी छोड़ दूं, तो इन डिफ़ॉल्ट विकल्पों का उपयोग करें: "Ora 2", "स्वाद के लिए बनाया गया एक इमेज मॉडल", Unsplash और Pixabay से मुफ्त छवियां, Geist, इंक #111214, Eleven_v4 पर Samara X की आवाज़ (19STyYD15bswVz51nqLf), और Pixabay से "Cascade Breathe" (129.83 BPM, 75.39 सेकंड पर ड्रॉप)।

<script>
इस प्रारूप में 9 पंक्तियों का वॉयसओवर लिखें और प्रत्येक पंक्ति को मेरे उत्पाद के अनुसार अनुकूलित करें:
"यह [नाम] है। एक [श्रेणी]... [मूल्य] के लिए निर्मित। किसी भी शैली में [क्रिया]। इसे एक [इनपुट] दें - और यह बस... समझ जाता है। जितना अधिक आप इसका उपयोग करेंगे, उतना ही यह बेहतर होता जाएगा। इसकी [सेटिंग] समायोजित करें। इसकी [सेटिंग]। इसकी [सेटिंग]। हर [आउटपुट] - बिल्कुल वैसा ही जैसा आपने कल्पना की थी। [नाम]। अब उपलब्ध है।"
भावसूचक शब्दों का प्रयोग कम ही करें: शांत पंक्तियों में [धीरे से] और क्रिया वाली पंक्ति में [उत्साहित]। शुरुआत में भावसूचक शब्द न लगाएं और अंत में पूर्ण विराम लगाएं।
</script>

बिना MCP, मेरी कुंजी का उपयोग करके सीधे ElevenLabs API को कॉल करें। एक ही बार में चार पूर्ण-स्क्रिप्ट रिकॉर्डिंग तैयार करें और मुझे चुनने दें। यदि कोई पंक्ति सही नहीं लगती है, तो केवल उस पंक्ति को चार बार पुनः तैयार करें और सबसे अच्छे संस्करण को मेरी रिकॉर्डिंग में जोड़ दें।
0.28 सेकंड से अधिक के विरामों को घटाकर 0.2 सेकंड कर दें, फिर प्रत्येक वाक्यांश को मध्य स्तर की ओर 85% तक ले जाएं, और केवल विरामों के दौरान ही लाभ को समायोजित करें।
शब्दों के समय का पता लगाने के लिए, पाठ को 100 मिलीसेकंड या उससे अधिक के अंतराल पर विभाजित करें, प्रत्येक खंड को व्हिस्पर का उपयोग करके अलग-अलग लिखें, और उसके पहले शब्द को मापे गए प्रारंभ समय के साथ संरेखित करें। व्हिस्पर के एक ही प्रयास से शब्द आधा सेकंड तक विलंबित हो सकते हैं।

एक 22 सेकंड की वर्गाकार लॉन्च फिल्म, 1440x1440 पिक्सेल आकार और 60 फ्रेम प्रति सेकंड की गति से, एआई लैब लॉन्च की शैली में: सफेद कैनवास, एक ही फ़ॉन्ट, काली स्याही, वास्तविक चित्र और बोले जाने के ठीक उसी समय शब्द-दर-शब्द टाइप किए गए कैप्शन।
हर कंट्रोल (प्रॉम्प्ट बार, सेटिंग्स पैनल, कैप्शन पिल) में लिक्विड ग्लास का इस्तेमाल किया गया है: इसके पीछे के दृश्य को धुंधला करें, उस दृश्य को मोटे कांच की तरह किनारे से मोड़ें, फिर ऊपर से एक चमक, चमकदार किनारा और हल्की छाया डालें। सादे सफेद रंग पर कांच दिखाई नहीं देता, इसलिए मेरे ब्रांड के रंगों में एक धीमी पेस्टल आभा डालें या इसके पीछे की तस्वीर का धुंधलापन डालें।
मेरे ब्रांड के रंगों के ग्रेडिएंट में एक विशेष शब्द को हाइलाइट किया गया है, जिसके पीछे हल्की सी चमक है।
गति संबंधी नियम: कैमरे को धीरे-धीरे बदलते रहें (प्रत्येक दृश्य में ज़ूम को 1.0 से 1.04 तक बढ़ाएँ; जब सामग्री अगले दृश्य में जाए, तो ज़ूम वहीं से शुरू करें जहाँ पिछला दृश्य समाप्त हुआ था)। कुछ भी तुरंत प्रकट न हो: कम से कम 0.3 सेकंड के सहज फ़ेड का उपयोग करें। प्रत्येक 16वें नोट पर क्लिक करके छवियाँ बदलें। वाक्यांशों की शुरुआत में दृश्य परिवर्तन करें और संगीत के ड्रॉप को [क्रिया] पंक्ति के साथ संरेखित करें। स्क्रीन पर पूर्ण विराम न दिखाएँ।
प्रतिबंधित: सिलेक्शन-बॉक्स हाइलाइट्स, बीट-स्नैप्ड स्लैम, व्हाइट फ्लैश, 3डी, टेम्प्लेट्स।

आवाज के अनुसार समयबद्ध सात दृश्य:

1. "यह [नाम] है": जैसे ही नाम बड़े अक्षरों में टाइप होता है, मेरी छवियों का एक कोलाज उभर कर सामने आता है, फिर श्रेणी पंक्ति में बदल जाता है।
2. "[मूल्य] के लिए बनाया गया": ड्रॉप में 16वें नोट्स पर मेरी सर्वश्रेष्ठ छवियों की पूर्ण-स्क्रीन झलकियाँ चालू हो जाती हैं, जिनके ऊपर सफेद रंग में एक रेखा लिखी होती है।
3. ड्रॉप: एक ग्लास प्रॉम्प्ट बार एक छोटा प्रॉम्प्ट टाइप करता है। परिणाम कार्ड हर 16वें नोट पर स्टाइल बदलता है, जबकि एक ब्लैक स्टाइल चिप थंबनेल स्ट्रिप के ऊपर प्रत्येक नए नाम पर घूमती है।
4. "इसे मूडबोर्ड दिखाएं": 9 छवियां 3x3 ग्रिड में आती हैं, फिर परिणाम को गोलाकार करें जैसे ही स्क्रीन पर "यह आपको आकर्षित करता है" लिखा आता है।
5. "जितना अधिक आप इसका उपयोग करेंगे, उतना ही यह बेहतर होता जाएगा": दो पंक्तियाँ टाइप करें, जिसमें हाइलाइट किया गया शब्द ग्रेडिएंट में हो।
6. सेटिंग्स: एक कांच का पैनल दिखाएं जिसमें 3 स्लाइडर हों, प्रत्येक स्लाइडर उसके नाम के अनुसार चलता रहे। छवि का रंग बदलें, 16वें भाग पर नए बीज रोल करें, फिर इसे पोस्टर में बदल दें। कांच के पीछे इसके रंगों के धुंधलेपन को सिंक्रनाइज़ करते हुए शिफ्ट करें।
7. "हर [आउटपुट], बिल्कुल वैसे ही जैसे आप इसे देखते हैं": एक ग्लास कैप्शन पिल के पीछे केंद्र से मेरी 120 छवियों को बाहर की ओर विस्फोटित करें, फिर उन्हें मेरे लोगो में संयोजित करें जैसे ही नाम टाइप होता है। नीचे "आउट नाउ" लिखें और 2 सेकंड के लिए दबाए रखें।

प्रॉम्प्ट बार, परिणाम और स्लाइडर्स को मेरे उत्पाद के वास्तविक इनपुट, आउटपुट और सेटिंग्स से बदलें।

गाने को इस तरह सेट करें कि ड्रॉप [क्रिया] लाइन पर आए, और बीट ग्रिड को वहीं स्थिर करें।
तीन बैंड साइडचेन (लो 30%, मिड 85%, एयर 55%; 0.3 सेकंड होल्ड, 50 मिलीसेकंड लुक-अहेड, 0.5 सेकंड रिलीज़) का उपयोग करके संगीत को आवाज़ के नीचे दबाएँ। फिर प्रत्येक वाक्यांश के मिड को तब तक समायोजित करें जब तक कि आवाज़ 300 हर्ट्ज़ और 4 किलोहर्ट्ज़ के बीच संगीत से लगभग 9 dB ऊपर न हो जाए।
प्रत्येक इवेंट के लिए डाउनलोड किए गए मिक्सकिट SFX में से एक का उपयोग करें, जिसे उसके मापे गए पीक के अनुसार व्यवस्थित किया गया हो: प्रत्येक इमेज परिवर्तन के लिए क्लिक, प्रत्येक टाइप किए गए अक्षर के लिए कुंजी ध्वनि, ज़ोर दिए गए शब्द पर सॉफ्ट लैंडिंग, व्हूश और ड्रॉप व लोगो पर इम्पैक्ट। प्रत्येक को उसके पीक के आसपास ट्रिम करें (कई राइज़र 4 सेकंड के होते हैं)। एंड कार्ड के नीचे संगीत को dB कर्व के अनुसार फ़ेड करें। लाउडनॉर्म को -14 LUFS पर सेट करें।

1. एक HTML कैनवास। प्रत्येक फ्रेम seek(t) के अंदर समय का एक शुद्ध फ़ंक्शन है, और प्रत्येक कैप्शन और कट शब्द तालिका का अनुसरण करता है।
2. ग्लास: आकृति के पीछे कैनवास को कैप्चर करें, शरीर के लिए इसे लगभग 14px तक धुंधला करें, किनारे के साथ 12px की पट्टी में लगभग 1.06x आवर्धित एक हल्की धुंधली प्रतिलिपि बनाएं, फिर दूध, चमक, किनारा और छाया जोड़ें।
3. Playwright उपयोग करके 60fps पर 8 मोशन-ब्लर सबफ्रेम के साथ रेंडर करें, फिर ffmpeg के साथ एन्कोड करें।
4. मुझे कुछ भी दिखाने से पहले, स्थिर चित्रों की एक संपर्क शीट बनाएं, एकल-फ्रेम पॉप के लिए फ्रेम अंतर को स्कैन करें (केवल 16वें नोट रन ही जंप कर सकते हैं), और प्रत्येक वाक्यांश के लिए आवाज-से-संगीत अनुपात की जांच करें।

एक [स्नेहपूर्ण] शुरुआत फुसफुसाहट जैसी लग सकती है, जबकि [उत्साहित] बनावटी लग सकती है। किसी शब्द के पीछे हाइलाइट बॉक्स विंडोज़ टेक्स्ट सिलेक्शन जैसा दिखता है। यदि हैंडऑफ़ के दौरान कैमरा 1.0 पर रीसेट हो जाता है, तो ज़ूम एकदम से होता है। 0.05 सेकंड का फ़ेड अचानक पॉप-इन जैसा दिखता है।

मुझसे इनपुट मांगें, स्क्रिप्ट लिखें, मुझे चुनने के लिए 4 वॉइस टेप भेजें, और फिर फुल रेंडर से पहले मुझे 8 स्टिल इमेज दिखाएं।

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.

प्रॉम्प्ट से लिया गया डाक @rossaxbt.