រូបភាព​ម៉ូដែល Ora 2 ចេញ​ផ្សាយ​ជា​ខ្សែភាពយន្ត

សួរខ្ញុំអំពី៖ ឈ្មោះផលិតផលរបស់ខ្ញុំ ការបង្ហាញមួយបន្ទាត់ ឡូហ្គោរបស់ខ្ញុំ រូបថតអេក្រង់ផលិតផលចំនួន 3 ទៅ 6 រូបភាពជាង 40 នៃអ្វីដែលវាបង្កើត (ឬរូបថតរបស់វា) ពណ៌ និងពុម្ពអក្សរម៉ាករបស់ខ្ញុំ សោ API ElevenLabs និងលេខសម្គាល់សំឡេង បូករួមទាំងបទភ្លេងដែលមិនគិតថ្លៃសួយសារអាករជាមួយនឹងការទម្លាក់ច្បាស់លាស់ (ឯកសារអូឌីយ៉ូ និងត្រាពេលវេលាទម្លាក់)។ ប្រសិនបើខ្ញុំរំលងអ្វីមួយ សូមប្រើលំនាំដើមទាំងនេះ៖ "Ora 2", "គំរូរូបភាពដែលបង្កើតឡើងសម្រាប់រសជាតិ", រូបភាពឥតគិតថ្លៃពី Unsplash និង Pixabay, Geist, ink #111214, សំឡេង Samara X (19STyYD15bswVz51nqLf) នៅលើ eleven_v4 និង Pixabay "Cascade Breathe" (129.83 BPM, ទម្លាក់នៅ 75.39 វិនាទី)។

<script>
សរសេរសំឡេង ៩ ជួរក្នុងទម្រង់នេះ ហើយសម្របគ្រប់ជួរទៅតាមផលិតផលរបស់ខ្ញុំ៖
"នេះគឺ [ឈ្មោះ]។ [ប្រភេទ]... ត្រូវបានបង្កើតឡើងសម្រាប់ [តម្លៃ]។ [កិរិយាសព្ទ] ក្នុងរចនាប័ទ្មណាមួយ។ ផ្តល់ឱ្យវានូវ [ការបញ្ចូល] - ហើយវាគ្រាន់តែ... យល់។ អ្នកប្រើវាកាន់តែច្រើន វាកាន់តែល្អ។ កែសម្រួល [ការកំណត់] របស់វា។ [ការកំណត់] របស់វា។ [ទិន្នផល] នីមួយៗ - ដូចដែលអ្នកស្រមៃ។ [ឈ្មោះ]។ មានឥឡូវនេះ។"
ប្រើ​ស្លាក​អារម្មណ៍​ដោយ​ប្រុង​ប្រយ័ត្ន៖ [យ៉ាង​ស្រទន់] នៅ​លើ​បន្ទាត់​ស្ងាត់ និង [រំភើប] នៅ​លើ​បន្ទាត់ [កិរិយាសព្ទ]។ កុំ​ស្លាក​បើក ហើយ​បញ្ចប់​វា​ដោយ​ចំណុច​ធម្មតា។
</script>

ហៅ ElevenLabs API ដោយផ្ទាល់ដោយប្រើសោរបស់ខ្ញុំ ដោយមិនចាំបាច់ប្រើ MCP ។ បង្កើតស្គ្រីបពេញលេញចំនួន ៤ ក្នុងមួយជំហាន ហើយអនុញ្ញាតឱ្យខ្ញុំជ្រើសរើស។ ប្រសិនបើបន្ទាត់មួយមិនស្តាប់ទៅត្រឹមត្រូវ សូមបង្កើតបន្ទាត់នោះឡើងវិញចំនួន ៤ ដង ហើយបញ្ចូលកំណែដ៏ល្អបំផុតទៅក្នុងគំរូរបស់ខ្ញុំ។
បង្រួមរយៈពេលផ្អាកដែលវែងជាង 0.28 វិនាទី មកត្រឹម 0.2 វិនាទី បន្ទាប់មកនាំឃ្លានីមួយៗទៅ 85% នៃផ្លូវឆ្ពោះទៅរកកម្រិតមធ្យម ដោយកែតម្រូវការកើនឡើងតែក្នុងអំឡុងពេលផ្អាកប៉ុណ្ណោះ។
សម្រាប់ការកំណត់ពេលវេលាពាក្យ សូមបំបែកការអាននៅចន្លោះពេល 100ms ឬយូរជាងនេះ ចម្លងផ្នែកនីមួយៗដោយឡែកពីគ្នាជាមួយ Whisper ហើយតម្រឹមពាក្យដំបូងរបស់វាទៅនឹងការចាប់ផ្តើមដែលវាស់បាន។ ការចុច Whisper តែមួយអាចធ្វើឱ្យពាក្យយឺតរហូតដល់កន្លះវិនាទី។

ខ្សែភាពយន្តបាញ់បង្ហោះរាងការ៉េរយៈពេល 22 វិនាទី មានទំហំ 1440x1440 ក្នុងល្បឿន 60fps ក្នុងរចនាបថនៃការបាញ់បង្ហោះមន្ទីរពិសោធន៍ AI៖ ផ្ទាំងក្រណាត់ពណ៌ស ពុម្ពអក្សរមួយ ទឹកថ្នាំពណ៌ខ្មៅ រូបភាពពិត និងចំណងជើងដែលវាយអក្សរម្តងមួយពាក្យៗ នៅពេលពិតប្រាកដដែលពួកវាត្រូវបាននិយាយ។
ការគ្រប់គ្រងនីមួយៗ (របារប្រអប់បញ្ចូល បន្ទះការកំណត់ ថ្នាំគ្រាប់ចំណងជើង) ប្រើកញ្ចក់រាវ៖ ធ្វើឱ្យឈុតឆាកនៅពីក្រោយវាកក ពត់ឈុតឆាកនោះតាមគែមដូចកញ្ចក់ក្រាស់ បន្ទាប់មកបន្ថែមពន្លឺចែងចាំងខាងលើ គែមភ្លឺ និងស្រមោលលើកទន់។ កញ្ចក់បាត់លើពណ៌សធម្មតា ដូច្នេះបន្ថែម aura យឺតៗពណ៌ pastel នៅក្នុងពណ៌ម៉ាករបស់ខ្ញុំ ឬការលាងសម្អាតរូបថតនៅពីក្រោយវា។
មួយ​បាន​សង្កត់ធ្ងន់​លើ​ប្រភេទ​ពាក្យ​ជា​ពណ៌​ជម្រាល​នៃ​ម៉ាក​យីហោ​របស់ខ្ញុំ ជាមួយ​នឹង​ពន្លឺ​ស្រអាប់​នៅ​ពីក្រោយ​វា។
ច្បាប់ចលនា៖ រក្សាកាមេរ៉ាឱ្យអណ្តែត (ចុចពី 1.0 ទៅ 1.04 ក្នុងមួយឈុត; នៅពេលដែលខ្លឹមសារផ្លាស់ទីទៅឈុតបន្ទាប់ សូមចាប់ផ្តើមពីការពង្រីកដែលឈុតមុនបានបញ្ចប់)។ គ្មានអ្វីលេចឡើងភ្លាមៗទេ៖ ប្រើការបន្ថយសំឡេងយ៉ាងហោចណាស់ 0.3 វិនាទី។ ផ្លាស់ប្តូររូបភាពនៅលើកំណត់ចំណាំទី 16 ដោយចុចម្តងសម្រាប់នីមួយៗ។ ចុះចតការផ្លាស់ប្តូរឈុតនៅពេលចាប់ផ្តើមឃ្លា ហើយតម្រឹមការធ្លាក់ចុះតន្ត្រីជាមួយបន្ទាត់ [កិរិយាសព្ទ]។ កុំបង្ហាញចំណតពេញនៅលើអេក្រង់។
ហាមឃាត់៖ ការបន្លិចក្នុងប្រអប់ជ្រើសរើស, ការទះកំផ្លៀងតាមចង្វាក់ភ្លេង, ពន្លឺពណ៌ស, 3D, គំរូ។

ឈុតឆាកចំនួនប្រាំពីរ ដែលត្រូវបានកំណត់ពេលវេលាសម្រាប់សំឡេង៖

១. "នេះ​គឺ [ឈ្មោះ]"៖ រូបភាព​ផ្គុំ​របស់ខ្ញុំ​រសាត់​ចេញ​មក​ពេល​ឈ្មោះ​វាយ​ជា​អក្សរ​ធំ បន្ទាប់​មក​បើក​ផ្លូវ​ឲ្យ​បន្ទាត់​ប្រភេទ។
2. "បង្កើតឡើងសម្រាប់ [តម្លៃ]": ពន្លឺភ្លឹបភ្លែតៗពេញអេក្រង់នៃរូបភាពល្អបំផុតរបស់ខ្ញុំប្តូរនៅលើកំណត់ចំណាំទី 16 ទៅក្នុងការធ្លាក់ចុះ ជាមួយនឹងបន្ទាត់វាយអក្សរពណ៌សពីលើពួកវា។
៣. ការធ្លាក់ចុះ៖ របារ​ប្រអប់​បញ្ចូល​សំឡេង​កញ្ចក់​មួយ​វាយ​បញ្ចូល​ប្រអប់​បញ្ចូល​សំឡេង​ខ្លីមួយ។ កាត​លទ្ធផល​ផ្លាស់ប្តូរ​រចនាប័ទ្ម​រៀងរាល់​កំណត់​ទី 16 ខណៈ​ដែល​ឈីប​រចនាប័ទ្ម​ខ្មៅ​រំកិល​ទៅ​ឈ្មោះ​ថ្មី​នីមួយៗ​នៅ​ពីលើ​បន្ទះ​រូបភាព​តូច។
៤. "បង្ហាញក្ដារអារម្មណ៍"៖ រូបភាពចំនួន ៩ ហើរចូលទៅក្នុងក្រឡាចត្រង្គ 3x3 បន្ទាប់មកគូសរង្វង់លទ្ធផលជាប្រភេទ "វាជួយអ្នកបាន" នៅលើអេក្រង់។
៥. "អ្នកប្រើវាកាន់តែច្រើន វាកាន់តែល្អ"៖ វាយបញ្ចូលពីរបន្ទាត់ ដោយពាក្យដែលត្រូវបានសង្កត់ធ្ងន់នៅក្នុងជម្រាល។
៦. ការកំណត់៖ បង្ហាញបន្ទះកញ្ចក់មួយដែលមានគ្រាប់រំកិលចំនួន ៣ ដែលគ្រាប់នីមួយៗផ្លាស់ទីតាមឈ្មោះរបស់វា។ ផ្លាស់ប្តូរពណ៌របស់រូបភាព រមៀលគ្រាប់ពូជថ្មីនៅលើទី ១៦ បន្ទាប់មកប្រែក្លាយវាទៅជាផ្ទាំងរូបភាព។ ផ្លាស់ប្តូរពណ៌ព្រិលៗរបស់វានៅពីក្រោយកញ្ចក់ឱ្យស៊ីសង្វាក់គ្នា។
៧. "រាល់ [លទ្ធផល] ដូចអ្វីដែលអ្នកឃើញ"៖ បំបែករូបភាពរបស់ខ្ញុំចំនួន 120 ចេញពីកណ្តាលនៅពីក្រោយថ្នាំគ្រាប់កែវដែលមានចំណងជើងរង បន្ទាប់មកយកវាមកបញ្ចូលគ្នាទៅជាឡូហ្គោរបស់ខ្ញុំនៅពេលដែលឈ្មោះវាយបញ្ចូល។ ដាក់ "ចេញឥឡូវនេះ" នៅខាងក្រោម ហើយសង្កត់រយៈពេល 2 វិនាទី។

ជំនួសរបារប្រអប់បញ្ចូល លទ្ធផល និងគ្រាប់រំកិលជាមួយនឹងការបញ្ចូល លទ្ធផល និងការកំណត់ពិតប្រាកដរបស់ផលិតផលរបស់ខ្ញុំ។

កំណត់បទចម្រៀងដើម្បីឱ្យបទចម្រៀងធ្លាក់មកលើបន្ទាត់ [កិរិយាសព្ទ] ហើយចងខ្សែចង្វាក់នៅទីនោះ។
បន្ថយសំឡេងតន្ត្រីឱ្យនៅក្រោមសំឡេងដោយប្រើខ្សែចំហៀង 3-band (កម្រិតទាប 30%, កម្រិតមធ្យម 85%, កម្រិតខ្យល់ 55%; សង្កត់ 0.3 វិនាទី, មើលទៅមុខ 50 វិនាទី, លែង 0.5 វិនាទី)។ បន្ទាប់មក កែតម្រូវកម្រិតមធ្យមនៃឃ្លានីមួយៗរហូតដល់សំឡេងស្ថិតនៅពីលើសំឡេងតន្ត្រីប្រហែល 9 dB រវាង 300 Hz និង 4 kHz។
ប្រើ Mixkit SFX ដែលបានទាញយកមួយសម្រាប់ព្រឹត្តិការណ៍នីមួយៗ ដោយកំណត់ទីតាំងតាមចំណុចកំពូលដែលវាស់បាន៖ ការចុចមួយដងសម្រាប់ការផ្លាស់ប្តូររូបភាពនីមួយៗ សំឡេងគ្រាប់ចុចមួយសម្រាប់អក្សរដែលបានវាយនីមួយៗ ការចុះចតទន់ៗលើពាក្យដែលបានសង្កត់ធ្ងន់ សំឡេងហ៊ោៗ និងផលប៉ះពាល់លើការធ្លាក់ចុះ និងឡូហ្គោ។ កាត់សំឡេងនីមួយៗជុំវិញចំណុចកំពូលរបស់វា (សំឡេងកើនឡើងជាច្រើនមានរយៈពេល 4 វិនាទី)។ បន្ថយតន្ត្រីតាមខ្សែកោង dB នៅក្រោមកាតបញ្ចប់។ កម្រិតសំឡេងធម្មតាទៅ -14 LUFS។

១. ផ្ទាំងក្រណាត់ HTML មួយ។ ស៊ុមនីមួយៗគឺជាអនុគមន៍សុទ្ធសាធនៃពេលវេលានៅខាងក្នុង seek(t) ហើយចំណងជើង និងការកាត់តនីមួយៗគឺនៅពីក្រោយតារាងពាក្យ។
២. កញ្ចក់៖ ចាប់យកផ្ទាំងក្រណាត់នៅពីក្រោយរូបរាង ធ្វើឱ្យវាព្រិលប្រហែល 14px សម្រាប់តួ គូរច្បាប់ចម្លងដែលព្រិលបន្តិចដោយពង្រីកប្រហែល 1.06x ក្នុងកម្រិត 12px តាមគែម បន្ទាប់មកបន្ថែមទឹកដោះគោ ពន្លឺចែងចាំង គែម និងស្រមោល។
៣. បង្ហាញជាមួយ Playwright ក្នុងល្បឿន 60fps ដោយប្រើស៊ុមរង motion-blur ចំនួន 8 បន្ទាប់មកអ៊ិនកូដជាមួយ ffmpeg ។
៤. មុននឹងបង្ហាញខ្ញុំអ្វីមួយ សូមធ្វើសន្លឹកទំនាក់ទំនងនៃរូបភាព ស្កេនភាពខុសគ្នានៃស៊ុមសម្រាប់សំឡេងលេចឡើងក្នុងស៊ុមតែមួយ (មានតែការរត់សំឡេងទី 16 ប៉ុណ្ណោះដែលអាចលោតបាន) ហើយពិនិត្យមើលសមាមាត្រសំឡេងទៅនឹងតន្ត្រីសម្រាប់ឃ្លានីមួយៗ។

ពាក្យ​បើក​ដែល​មាន​សំឡេង​ [កក់ក្តៅ] អាច​ស្តាប់​ទៅ​ដូច​ជា​ខ្សឹបៗ ចំណែក​ពាក្យ [រំភើប] អាច​មាន​អារម្មណ៍​ថា​ក្លែងក្លាយ។ ប្រអប់​បន្លិច​នៅ​ពីក្រោយ​ពាក្យ​មួយ​មើល​ទៅ​ដូច​ជា​ការ​ជ្រើសរើស​អត្ថបទ Windows។ ប្រសិនបើ​កាមេរ៉ា​កំណត់​ឡើង​វិញ​ទៅ 1.0 អំឡុង​ពេល​ផ្ទេរ​ការ​ពង្រីក​នឹង​បិទ។ ការ​បន្ថយ​សំឡេង 0.05 វិនាទី​មើល​ទៅ​ដូច​ជា​ការ​លេច​ចូល​ភ្លាមៗ។

សួរខ្ញុំសម្រាប់ការបញ្ចូល សរសេរស្គ្រីប ផ្ញើសំឡេងថតចំនួន ៤ មកខ្ញុំដើម្បីជ្រើសរើស បន្ទាប់មកបង្ហាញខ្ញុំនូវរូបភាពចំនួន ៨ មុនពេលបង្ហាញរូបភាពពេញលេញ។

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.

ការណែនាំយកចេញពី ប្រកាស @rossaxbt.