Postavljanje: Film o lansiranju modela Ora 2 Image

Tražite: naziv mog proizvoda, jednolinijski opis, moj logotip, 3 do 6 snimaka zaslona proizvoda, više od 40 slika onoga što stvara (ili fotografija istog), boje i font mog brenda, ElevenLabs API ključ i glasovni ID, plus pjesmu bez autorskih prava s jasnim padom (audio datoteka i vremenska oznaka pada). Ako nešto preskočim, koristite ove zadane postavke: "Ora 2", "model slike napravljen za ukus", besplatne slike s Unsplasha i Pixabaya, Geist, tinta #111214, glas Samare X (19STyYD15bswVz51nqLf) na eleven_v4 i Pixabay "Cascade Breathe" (129,83 BPM, pad na 75,39s).

<script>
Napišite glasovnu priču od 9 redaka u ovom formatu i prilagodite svaku rečenicu mom proizvodu:
"Ovo je [ime]. [kategorija]... stvorena za [vrijednost]. [Glagol] u BILO KOJEM stilu. Dajte joj [ulaz] - i ona jednostavno... razumije. Što je više koristite, to postaje BOLJA. Prilagodite joj [postavku]. Njenu [postavku]. Njenu [postavku]. Svaki [izlaz] - točno onako kako ste ga zamislili. [Ime]. Sad vani."
Koristite oznake emocija štedljivo: [tiho] u tihim stihovima i [uzbuđeno] u retku [Glagol]. Nemojte označavati uvodni dio i završite ga običnom točkom.
</script>

Pozovite ElevenLabs API izravno koristeći moj ključ, bez MCP. Generirajte 4 snimke cijelog scenarija u jednom prolazu i pustite me da odaberem. Ako redak ne zvuči ispravno, regenerirajte samo taj redak 4 puta i spojite najbolju verziju u moj snimak.
Skratite pauze dulje od 0,28 s na 0,2 s, a zatim svaku frazu dovedite 85% prema srednjoj razini, podešavajući pojačanje samo tijekom pauza.
Za mjerenje vremena riječi, podijelite čitanje na pauze od 100 ms ili dulje, zasebno prepišite svaki segment pomoću Whispera i poravnajte prvu riječ s izmjerenim početkom. Jedan Whisper prolaz može zakasniti riječi do pola sekunde.

22-sekundni kvadratni film za lansiranje, 1440x1440 pri 60 fps, u stilu lansiranja AI laboratorija: bijelo platno, jedan font, crna tinta, stvarne slike i titlovi tipkani riječ po riječ u točno vrijeme kada su izgovoreni.
Svaka kontrola (traka s upitima, ploča s postavkama, tableta s opisima) koristi tekuće staklo: zamrznite scenu iza nje, savijte tu scenu duž ruba poput debelog stakla, a zatim dodajte gornji sjaj, svijetli rub i meku sjenu. Staklo nestaje na običnoj bijeloj površini, pa dodajte sporu pastelnu auru u bojama mog brenda ili zamućeno pranje fotografije iza nje.
Jedan je naglasio vrste riječi u gradijentu boja mog brenda, s blagim sjajem u pozadini.
Pravila kretanja: neka kamera lebdi (pomičite od 1,0 do 1,04 po sceni; kada se sadržaj pomakne u sljedeću scenu, počnite od zuma gdje je prethodna scena završila). Ništa se ne pojavljuje odmah: koristite usporene efekte od najmanje 0,3 s. Mijenjajte slike na šestnaestinkama, klikom za svaku. Scene se mijenjaju na početku fraze i poravnajte pad glazbe s linijom [Glagol]. Nemojte prikazivati točke na ekranu.
Zabranjeno: istaknuti elementi u okviru za odabir, slamovi snimljeni ritmom, bijeli bljeskovi, 3D, predlošci.

Sedam scena, tempiranih prema glasu:

1. „Ovo je [ime]“: kolaž mojih slika se pojavljuje dok se ime piše velikim slovima, a zatim ustupa mjesto retku kategorije.
2. "napravljeno za [vrijednost]": bljeskovi mojih najboljih slika preko cijelog zaslona prebacuju se na šestnaestak nota u pad, s linijom otkucanom bijelom bojom preko njih.
3. Pad: staklena traka s uputama upisuje kratku uputu. Kartica s rezultatima mijenja stil svake šestnaeste note, dok se crni žeton s uputama kotrlja do svakog novog imena iznad trake s sličicama.
4. "Prikaži ploču raspoloženja": 9 slika se slijeva u mrežu 3x3, a zatim zaokruži rezultat dok na ekranu piše "Dobija te".
5. „Što više koristiš, to bolje postaje“: upišite dva retka, s naglašenom riječju u gradijentu.
6. Postavke: prikažite staklenu ploču s 3 klizača, svaki se pomiče kako ga ona imenuje. Pomaknite nijansu slike, dodajte nova sjemena na šesnaestinke, a zatim je pretvorite u poster. Sinkronizirano pomaknite zamućeni trag boja iza stakla.
7. „Svaki [izlaz], točno onako kako ga vidite“: rafalno prikažite 120 mojih slika prema van od središta iza staklene tablete s natpisima, a zatim ih spojite u moj logo dok se ime tipka. Ispod napišite „Van sada“ i držite 2 sekunde.

Zamijeni traku s upitima, rezultate i klizače stvarnim ulaznim, izlaznim podacima i postavkama mog proizvoda.

Postavite pjesmu tako da kapljica padne na liniju [Verb] i tamo usidrite mrežu ritma.
Ugušite glazbu ispod glasa pomoću 3-pojasnog bočnog lanca (niski tonovi 30%, srednji 85%, zračni tonovi 55%; 0,3 s zadržavanja, 50 ms predviđanja, 0,5 s otpuštanja). Zatim prilagodite srednje tonove svake fraze dok glas ne bude oko 9 dB iznad glazbe između 300 Hz i 4 kHz.
Koristite jedan preuzeti Mixkit SFX po događaju, pozicioniran prema izmjerenom vrhu: klik za svaku promjenu slike, zvuk tipke za svako otkucano slovo, meko slijetanje na naglašenu riječ, šuštanje i udarci na pad i logotip. Obrezujte svaki oko njegovog vrha (mnogo uspona traje 4 sekunde). Postepeno smanjite glazbu duž dB krivulje ispod završne kartice. Loudnorm na -14 LUFS.

1. Jedno HTML platno. Svaki okvir je čista funkcija vremena unutar seek(t), a svaki natpis i rez slijede tablicu riječi.
2. Staklo: snimite platno iza oblika, zamutite ga oko 14px za tijelo, nacrtajte lagano zamućenu kopiju uvećanu oko 1,06x u traci od 12px uz rub, zatim dodajte mlijeko, sjaj, rub i sjenu.
3. Renderiraj s Playwright pri 60fps koristeći 8 podokvira zamućenja pokreta, a zatim kodiraj s ffmpeg.
4. Prije nego što mi išta pokažeš, napravi kontaktnu listu fotografija, skeniraj razlike u kadrovima za pojedinačne poskoke (samo 16-inčni dijelovi mogu skakati) i provjeri omjer glasa i glazbe za svaku frazu.

Toplo uvodno izlaganje može zvučati šaputano, dok uzbuđeno uzbuđenje može djelovati lažno. Okvirić iza riječi izgleda kao odabir teksta u sustavu Windows. Ako se kamera resetira na 1.0 tijekom primopredaje, zumiranje se automatski aktivira. Blijeđenje od 0.05 s izgleda kao trenutno umetanje.

Tražite ulazne podatke, napišite scenarij, pošaljite mi 4 glasovne snimke koje mogu odabrati, a zatim mi pokažite 8 fotografija prije potpunog renderiranja.

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.

Uputa preuzeta iz pošta @rossaxbt.