セットアップ: Ora 2 イメージモデル発表フィルム

私に以下のものを求めてください: 製品名、一行のピッチ、ロゴ、製品のスクリーンショット 3 ～ 6 枚、製品が作成するものの画像 (または写真) 40 枚以上、ブランドカラーとフォント、ElevenLabs API キーと音声 ID、および明確なドロップのあるロイヤリティフリーのトラック (オーディオ ファイルとドロップのタイムスタンプ)。私が何かを省略した場合は、以下のデフォルトを使用してください: "Ora 2"、"an image model made for taste"、Unsplash と Pixabay の無料画像、 Geist、インク #111214、eleven_v4 の音声 Samara X (19STyYD15bswVz51nqLf)、および Pixabay "Cascade Breathe" (129.83 BPM、ドロップは 75.39 秒)。

<script>
この形式で9行のナレーションを作成し、各行を私の製品に合わせて調整してください。
「これは[名前]です。[カテゴリ]…[価値]のために作られました。[動詞]をどんなスタイルでも。入力を与えれば、ただ…理解します。使えば使うほど、性能が向上します。[設定]を調整してください。[設定]を調整してください。[設定]を調整してください。すべての[出力]は、あなたが思い描いたとおりです。[名前]。今すぐ発売。」
感情タグは控えめに使用してください。静かな行には[softly]、[動詞]の行には[excited]などを使用してください。文頭にはタグを付けず、文末はピリオドで締めてください。
</script>

MCPを使用せずに、私のキーを使ってElevenLabs APIを直接呼び出してください。1回の処理で4つのフルスクリプトテイクを生成し、私が選択できるようにしてください。もしセリフが気に入らない場合は、そのセリフだけを4回再生成し、最も良いバージョンを私のテイクに挿入してください。
0.28秒より長い休止時間を0.2秒に短縮し、各フレーズを中央値の85%まで近づけ、休止時間中のみゲインを調整します。
単語のタイミングを計測するには、100ミリ秒以上の間隔で音声を分割し、各セグメントをWhisperで個別に書き起こし、最初の単語を計測した開始位置に合わせます。Whisperによる1回の処理では、単語が最大で0.5秒遅れる場合があります。

AI研究所の発表会を彷彿とさせる、22秒間の正方形の発表用映像。解像度は1440×1440ピクセル、フレームレートは60fps。白いキャンバスに、単一のフォント、黒インク、実写画像、そして発話された言葉と全く同じタイミングで一語ずつ入力された字幕が使用されている。
すべてのコントロール（プロンプトバー、設定パネル、キャプションピル）には、リキッドグラスが使用されています。背景のシーンを曇らせ、厚いガラスのように縁に沿って曲げ、さらに光沢、明るい縁取り、柔らかなリフトシャドウを追加します。ガラスは真っ白な背景では消えてしまうため、ブランドカラーのパステル調のオーラをゆっくりと加えるか、背景の写真をぼかしたウォッシュ効果を加えます。
片方は、私のブランドカラーのグラデーションで単語の種類を強調し、その背後に淡い光を当てていました。
モーションルール：カメラをドリフトさせ続ける（シーンごとに1.0から1.04まで動かす。コンテンツが次のシーンに移動するときは、前のシーンが終了したズーム位置から開始する）。何も瞬時に表示されないようにする：少なくとも0.3秒のイーズドフェードを使用する。16分音符ごとにクリック音を入れ、画像を切り替えます。フレーズの開始時にシーンの切り替えを行い、音楽のドロップを[Verb]の行に合わせます。画面上に完全なストップを表示しない。
禁止事項：選択ボックスのハイライト、ビートスナップのスラム、ホワイトフラッシュ、3D、テンプレート。

音声に合わせてタイミングが調整された7つのシーン：

1. 「これは[名前]です」：名前が大きく入力されるにつれて、私の画像のコラージュが浮かび上がり、その後、カテゴリの行に置き換わります。
2. 「[価値]のために作られた」：私の最高の画像が全画面でフラッシュ表示され、ドロップの16分音符に合わせて切り替わり、その上に白い文字でラインが打たれます。
3. ドロップ：ガラス製のプロンプトバーが短いプロンプトを入力します。結果カードは16分音符ごとにスタイルが変わり、サムネイルストリップの上にある新しい名前ごとに黒いスタイルチップが転がります。
4. 「ムードボードを見せて」：9枚の画像が3x3のグリッドに飛び込み、画面に「それがあなたを掴む」という文字が表示されたら、その結果を丸で囲みます。
5. 「使えば使うほど良くなる」：強調したい単語をグラデーションで表示した2行を入力します。
6. 設定：3つのスライダーが付いたガラスパネルを表示し、それぞれのスライダーは彼女が名前を付けるたびに動きます。画像の色合いを変え、16分の1ずつ新しい種を生成し、ポスターに変換します。ガラスの背後にあるぼやけた色合いを同期して移動させます。
7. 「すべての出力は、あなたが見るとおりです」：ガラス製のキャプションピルの後ろの中心から120枚の画像を外側に向かって爆発させ、名前がタイプされるにつれてそれらを私のロゴにまとめます。「今すぐ出力」を下に表示し、2秒間保持します。

プロンプトバー、結果、スライダーを、私の製品の実際の入力、出力、設定に置き換えてください。

ドロップが[Verb]の行に来るように曲を設定し、そこにビートグリッドを固定します。
3バンドサイドチェーン（低域30%、中域85%、空気感55%、ホールド時間0.3秒、ルックアヘッド時間50ms、リリース時間0.5秒）を使用して、音楽の音量をボーカルより下げます。次に、300Hz～4kHzの帯域でボーカルが音楽より約9dB高くなるように、各フレーズの中域を調整します。
各イベントにつき、ダウンロードした Mixkit SFX を 1 つ使用し、測定されたピークに合わせて配置します。画像が変わるたびにクリック音、文字が入力されるたびにキー音、強調された単語にソフトランディング、風切り音、ドロップとロゴに衝撃音を鳴らします。それぞれのピーク付近でトリミングします (多くのライザーは 4 秒です)。エンド カードの下で、dB カーブに沿って音楽をフェードします。ラウドノームを -14 LUFS に設定します。

1. 1 つのHTMLキャンバス。各フレームは seek(t) 内の時間の純粋な関数であり、すべてのキャプションとカットは table という単語に続きます。
2. ガラス: 形状の背後にあるキャンバスをキャプチャし、本体を約 14 ピクセルぼかし、縁に沿って 12 ピクセルの帯状に約 1.06 倍に拡大した軽くぼかしたコピーを描画し、ミルク、光沢、縁、影を追加します。
3. Playwrightを使用して60fpsで8つのモーションブラーサブフレームを使用してレンダリングし、 ffmpegでエンコードします。
4. 私に何かを見せる前に、静止画のコンタクトシートを作成し、フレームの差異をスキャンして単一フレームのポップ（16分音符の連続部分のみがジャンプする可能性があります）を確認し、各フレーズの声と音楽の比率を確認してください。

[温かみのある]オープニングはささやき声のように聞こえることがあり、[興奮した]オープニングは不自然に聞こえることがあります。単語の後ろにあるハイライトボックスは、Windowsのテキスト選択のように見えます。ハンドオフ中にカメラが1.0にリセットされると、ズームが急に動きます。0.05秒のフェードは、瞬時にポップインしたように見えます。

入力内容を尋ねて、スクリプトを作成し、4つの音声テイクを送って選ばせ、最終レンダリングの前に8枚の静止画を見せてください。

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.

プロンプトは以下から取得 役職 @rossaxbt.