ಸ್ಥಾಪನೆ: ಓರಾ 2 ಇಮೇಜ್ ಮಾಡೆಲ್ ಬಿಡುಗಡೆ ಚಿತ್ರ

ನನ್ನಿಂದ ಕೇಳಿ: ನನ್ನ ಉತ್ಪನ್ನದ ಹೆಸರು, ಒಂದು ಸಾಲಿನ ಪಿಚ್, ನನ್ನ ಲೋಗೋ, ಉತ್ಪನ್ನದ 3 ರಿಂದ 6 ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳು, ಅದು ಏನು ರಚಿಸುತ್ತದೆ ಎಂಬುದರ 40+ ಚಿತ್ರಗಳು (ಅಥವಾ ಅದರ ಫೋಟೋಗಳು), ನನ್ನ ಬ್ರ್ಯಾಂಡ್ ಬಣ್ಣಗಳು ಮತ್ತು ಫಾಂಟ್, ElevenLabs API ಕೀ ಮತ್ತು ಧ್ವನಿ ID, ಜೊತೆಗೆ ಸ್ಪಷ್ಟ ಡ್ರಾಪ್ (ಆಡಿಯೊ ಫೈಲ್ ಮತ್ತು ಡ್ರಾಪ್ ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್) ಹೊಂದಿರುವ ರಾಯಲ್ಟಿ-ಮುಕ್ತ ಟ್ರ್ಯಾಕ್. ನಾನು ಏನನ್ನಾದರೂ ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ಈ ಡೀಫಾಲ್ಟ್‌ಗಳನ್ನು ಬಳಸಿ: "Ora 2", "ರುಚಿಗಾಗಿ ಮಾಡಿದ ಇಮೇಜ್ ಮಾದರಿ", Unsplash ಮತ್ತು Pixabay ನಿಂದ ಉಚಿತ ಚಿತ್ರಗಳು, Geist, ink #111214, eleven_v4 ನಲ್ಲಿ ಧ್ವನಿ Samara X (19STyYD15bswVz51nqLf), ಮತ್ತು Pixabay "Cascade Breathe" (129.83 BPM, 75.39s ನಲ್ಲಿ ಡ್ರಾಪ್).

<script>
ಈ ಸ್ವರೂಪದಲ್ಲಿ 9-ಸಾಲಿನ ಧ್ವನಿಮುದ್ರಿಕೆಯನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಪ್ರತಿ ಸಾಲನ್ನು ನನ್ನ ಉತ್ಪನ್ನಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳಿ:
"ಇದು [ಹೆಸರು]. [ವರ್ಗ]... [ಮೌಲ್ಯ] ಗಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. [ಕ್ರಿಯಾಪದ] ಯಾವುದೇ ಶೈಲಿಯಲ್ಲಿ. ಅದಕ್ಕೆ [ಇನ್‌ಪುಟ್] ನೀಡಿ - ಮತ್ತು ಅದು... ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ. ನೀವು ಅದನ್ನು ಹೆಚ್ಚು ಬಳಸಿದಷ್ಟೂ ಅದು ಉತ್ತಮಗೊಳ್ಳುತ್ತದೆ. ಅದರ [ಸೆಟ್ಟಿಂಗ್] ಅನ್ನು ಹೊಂದಿಸಿ. ಅದರ [ಸೆಟ್ಟಿಂಗ್]. ಅದರ [ಸೆಟ್ಟಿಂಗ್]. ಪ್ರತಿಯೊಂದು [ಔಟ್‌ಪುಟ್] - ನೀವು ಅದನ್ನು ಚಿತ್ರಿಸಿದಂತೆಯೇ. [ಹೆಸರು]. ಈಗ ಹೊರಬಂದಿದೆ."
ಭಾವನಾತ್ಮಕ ಟ್ಯಾಗ್‌ಗಳನ್ನು ಮಿತವಾಗಿ ಬಳಸಿ: [ಮೃದುವಾಗಿ] ಶಾಂತ ಸಾಲುಗಳಲ್ಲಿ ಮತ್ತು [ಕ್ರಿಯಾಪದ] ಸಾಲಿನಲ್ಲಿ [ಉತ್ಸಾಹದಿಂದ]. ಆರಂಭಿಕ ಪದವನ್ನು ಟ್ಯಾಗ್ ಮಾಡಬೇಡಿ ಮತ್ತು ಅದನ್ನು ಸರಳವಾದ ಪೂರ್ಣವಿರಾಮದೊಂದಿಗೆ ಕೊನೆಗೊಳಿಸಿ.
</script>

MCP ಇಲ್ಲದೆ, ನನ್ನ ಕೀಲಿಯನ್ನು ಬಳಸಿಕೊಂಡು ನೇರವಾಗಿ ElevenLabs API ಗೆ ಕರೆ ಮಾಡಿ. ಒಂದು ಪಾಸ್‌ನಲ್ಲಿ 4 ಪೂರ್ಣ-ಸ್ಕ್ರಿಪ್ಟ್ ಟೇಕ್‌ಗಳನ್ನು ರಚಿಸಿ ಮತ್ತು ನಾನು ಆಯ್ಕೆ ಮಾಡಲಿ. ಒಂದು ಸಾಲು ಸರಿಯಾಗಿ ಧ್ವನಿಸದಿದ್ದರೆ, ಆ ಸಾಲನ್ನು 4 ಬಾರಿ ಪುನರುಜ್ಜೀವನಗೊಳಿಸಿ ಮತ್ತು ನನ್ನ ಟೇಕ್‌ಗೆ ಉತ್ತಮ ಆವೃತ್ತಿಯನ್ನು ಸ್ಪ್ಲೈಸ್ ಮಾಡಿ.
0.28 ಸೆಕೆಂಡುಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ವಿರಾಮಗಳನ್ನು 0.2 ಸೆಕೆಂಡುಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡಿ, ನಂತರ ಪ್ರತಿ ಪದಗುಚ್ಛವನ್ನು 85% ರಷ್ಟು ಮಧ್ಯಮ ಮಟ್ಟಕ್ಕೆ ತನ್ನಿ, ವಿರಾಮಗಳ ಸಮಯದಲ್ಲಿ ಮಾತ್ರ ಲಾಭವನ್ನು ಹೊಂದಿಸಿ.
ಪದ ಸಮಯಗಳಿಗೆ, 100ms ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಿರಾಮಗಳಲ್ಲಿ ಓದುವಿಕೆಯನ್ನು ವಿಭಜಿಸಿ, ಪ್ರತಿ ವಿಭಾಗವನ್ನು ವಿಸ್ಪರ್‌ನೊಂದಿಗೆ ಪ್ರತ್ಯೇಕವಾಗಿ ಲಿಪ್ಯಂತರ ಮಾಡಿ ಮತ್ತು ಅದರ ಮೊದಲ ಪದವನ್ನು ಅಳತೆ ಮಾಡಿದ ಪ್ರಾರಂಭಕ್ಕೆ ಜೋಡಿಸಿ. ಒಂದೇ ವಿಸ್ಪರ್ ಪಾಸ್ ಪದಗಳನ್ನು ಅರ್ಧ ಸೆಕೆಂಡ್ ತಡವಾಗಿ ಇರಿಸಬಹುದು.

AI ಲ್ಯಾಬ್ ಲಾಂಚ್ ಶೈಲಿಯಲ್ಲಿ 60fps ನಲ್ಲಿ 1440x1440 ರೆಸಲ್ಯೂಶನ್ ಹೊಂದಿರುವ 22-ಸೆಕೆಂಡ್‌ಗಳ ಚದರ ಲಾಂಚ್ ಫಿಲ್ಮ್: ಬಿಳಿ ಕ್ಯಾನ್ವಾಸ್, ಒಂದು ಟೈಪ್‌ಫೇಸ್, ಕಪ್ಪು ಶಾಯಿ, ನೈಜ ಚಿತ್ರಗಳು ಮತ್ತು ಮಾತನಾಡುವ ನಿಖರವಾದ ಸಮಯದಲ್ಲಿ ಪದದಿಂದ ಪದಕ್ಕೆ ಟೈಪ್ ಮಾಡಲಾದ ಶೀರ್ಷಿಕೆಗಳು.
ಪ್ರತಿಯೊಂದು ನಿಯಂತ್ರಣ (ಪ್ರಾಂಪ್ಟ್ ಬಾರ್, ಸೆಟ್ಟಿಂಗ್‌ಗಳ ಫಲಕ, ಶೀರ್ಷಿಕೆ ಮಾತ್ರೆ) ದ್ರವ ಗಾಜನ್ನು ಬಳಸುತ್ತದೆ: ಅದರ ಹಿಂದಿನ ದೃಶ್ಯವನ್ನು ಫ್ರಾಸ್ಟ್ ಮಾಡಿ, ಆ ದೃಶ್ಯವನ್ನು ದಪ್ಪ ಗಾಜಿನಂತೆ ಅಂಚಿನಲ್ಲಿ ಬಗ್ಗಿಸಿ, ನಂತರ ಮೇಲ್ಭಾಗದ ಶೀನ್, ಪ್ರಕಾಶಮಾನವಾದ ರಿಮ್ ಮತ್ತು ಮೃದುವಾದ ಲಿಫ್ಟ್ ನೆರಳು ಸೇರಿಸಿ. ಸರಳ ಬಿಳಿ ಬಣ್ಣದಲ್ಲಿ ಗಾಜು ಕಣ್ಮರೆಯಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ನನ್ನ ಬ್ರ್ಯಾಂಡ್ ಬಣ್ಣಗಳಲ್ಲಿ ನಿಧಾನವಾದ ನೀಲಿಬಣ್ಣದ ಸೆಳವು ಅಥವಾ ಅದರ ಹಿಂದಿನ ಫೋಟೋದ ಮಸುಕಾದ ತೊಳೆಯುವಿಕೆಯನ್ನು ಸೇರಿಸಿ.
ನನ್ನ ಬ್ರ್ಯಾಂಡ್ ಬಣ್ಣಗಳ ಗ್ರೇಡಿಯಂಟ್‌ನಲ್ಲಿ ಪದ ಪ್ರಕಾರಗಳನ್ನು ಒತ್ತಿಹೇಳಿತು, ಅದರ ಹಿಂದೆ ಮಸುಕಾದ ಹೊಳಪಿತ್ತು.
ಚಲನೆಯ ನಿಯಮಗಳು: ಕ್ಯಾಮೆರಾವನ್ನು ಚಲಿಸುವಂತೆ ನೋಡಿಕೊಳ್ಳಿ (ಪ್ರತಿ ದೃಶ್ಯಕ್ಕೆ 1.0 ರಿಂದ 1.04 ಕ್ಕೆ ತಳ್ಳಿರಿ; ವಿಷಯವು ಮುಂದಿನ ದೃಶ್ಯಕ್ಕೆ ಹೋದಾಗ, ಹಿಂದಿನ ದೃಶ್ಯ ಕೊನೆಗೊಂಡ ಜೂಮ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ). ಏನೂ ತಕ್ಷಣ ಗೋಚರಿಸುವುದಿಲ್ಲ: ಕನಿಷ್ಠ 0.3 ಸೆಕೆಂಡುಗಳ ಸಡಿಲಗೊಳಿಸಿದ ಫೇಡ್‌ಗಳನ್ನು ಬಳಸಿ. 16 ನೇ ಟಿಪ್ಪಣಿಗಳಲ್ಲಿ ಚಿತ್ರಗಳನ್ನು ಬದಲಾಯಿಸಿ, ಪ್ರತಿಯೊಂದಕ್ಕೂ ಒಂದು ಕ್ಲಿಕ್‌ನೊಂದಿಗೆ. ಪದಗುಚ್ಛವು ಪ್ರಾರಂಭವಾಗುವಾಗ ಭೂ ದೃಶ್ಯ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಸಂಗೀತ ಡ್ರಾಪ್ ಅನ್ನು [ಕ್ರಿಯಾಪದ] ಸಾಲಿನೊಂದಿಗೆ ಜೋಡಿಸಿ. ಪರದೆಯ ಮೇಲೆ ಪೂರ್ಣ ವಿರಾಮಗಳನ್ನು ತೋರಿಸಬೇಡಿ.
ನಿಷೇಧಿಸಲಾಗಿದೆ: ಆಯ್ಕೆ-ಪೆಟ್ಟಿಗೆಯ ಮುಖ್ಯಾಂಶಗಳು, ಬೀಟ್-ಸ್ನ್ಯಾಪ್ಡ್ ಸ್ಲ್ಯಾಮ್‌ಗಳು, ಬಿಳಿ ಹೊಳಪುಗಳು, 3D, ಟೆಂಪ್ಲೇಟ್‌ಗಳು.

ಧ್ವನಿಗೆ ಅನುಗುಣವಾಗಿ ಏಳು ದೃಶ್ಯಗಳು:

1. "ಇದು [ಹೆಸರು]": ಹೆಸರು ದೊಡ್ಡದಾಗಿ ಟೈಪ್ ಮಾಡಿದಂತೆ ನನ್ನ ಚಿತ್ರಗಳ ಕೊಲಾಜ್ ಹೊರಬರುತ್ತದೆ, ನಂತರ ವರ್ಗ ಸಾಲಿಗೆ ದಾರಿ ಮಾಡಿಕೊಡುತ್ತದೆ.
2. "[ಮೌಲ್ಯಕ್ಕಾಗಿ] ಮಾಡಲ್ಪಟ್ಟಿದೆ": ನನ್ನ ಅತ್ಯುತ್ತಮ ಚಿತ್ರಗಳ ಪೂರ್ಣ-ಪರದೆಯ ಫ್ಲ್ಯಾಶ್‌ಗಳು 16 ನೇ ಟಿಪ್ಪಣಿಗಳನ್ನು ಡ್ರಾಪ್‌ಗೆ ಬದಲಾಯಿಸುತ್ತವೆ, ಅವುಗಳ ಮೇಲೆ ಬಿಳಿ ಬಣ್ಣದಲ್ಲಿ ಟೈಪ್ ಮಾಡಿದ ಗೆರೆ ಇರುತ್ತದೆ.
3. ಡ್ರಾಪ್: ಗಾಜಿನ ಪ್ರಾಂಪ್ಟ್ ಬಾರ್ ಒಂದು ಸಣ್ಣ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಟೈಪ್ ಮಾಡುತ್ತದೆ. ಫಲಿತಾಂಶ ಕಾರ್ಡ್ ಪ್ರತಿ 16 ನೇ ಟಿಪ್ಪಣಿಗೆ ಶೈಲಿಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ, ಆದರೆ ಕಪ್ಪು ಶೈಲಿಯ ಚಿಪ್ ಥಂಬ್‌ನೇಲ್ ಪಟ್ಟಿಯ ಮೇಲೆ ಪ್ರತಿ ಹೊಸ ಹೆಸರಿಗೆ ಉರುಳುತ್ತದೆ.
4. "ಇದಕ್ಕೆ ಮೂಡ್‌ಬೋರ್ಡ್ ತೋರಿಸಿ": 9 ಚಿತ್ರಗಳು 3x3 ಗ್ರಿಡ್‌ಗೆ ಹಾರುತ್ತವೆ, ನಂತರ ಫಲಿತಾಂಶವನ್ನು ಪರದೆಯ ಮೇಲೆ "ಇದು ನಿಮ್ಮನ್ನು ಪಡೆಯುತ್ತದೆ" ಎಂದು ಟೈಪ್ ಮಾಡಿದಂತೆ ವೃತ್ತಗೊಳಿಸಿ.
5. "ನೀವು ಅದನ್ನು ಹೆಚ್ಚು ಬಳಸಿದಷ್ಟೂ ಅದು ಉತ್ತಮಗೊಳ್ಳುತ್ತದೆ": ಗ್ರೇಡಿಯಂಟ್‌ನಲ್ಲಿ ಒತ್ತಿಹೇಳಿದ ಪದದೊಂದಿಗೆ ಎರಡು ಸಾಲುಗಳನ್ನು ಟೈಪ್ ಮಾಡಿ.
6. ಸೆಟ್ಟಿಂಗ್‌ಗಳು: 3 ಸ್ಲೈಡರ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಗಾಜಿನ ಫಲಕವನ್ನು ತೋರಿಸಿ, ಪ್ರತಿಯೊಂದೂ ಅವಳು ಹೆಸರಿಸುತ್ತಿದ್ದಂತೆ ಚಲಿಸುತ್ತದೆ. ಚಿತ್ರದ ಬಣ್ಣವನ್ನು ಬದಲಾಯಿಸಿ, 16 ನೇ ತಾರೀಖಿನಂದು ಹೊಸ ಬೀಜಗಳನ್ನು ಸುತ್ತಿಕೊಳ್ಳಿ, ನಂತರ ಅದನ್ನು ಪೋಸ್ಟರ್ ಆಗಿ ಪರಿವರ್ತಿಸಿ. ಸಿಂಕ್‌ನಲ್ಲಿ ಗಾಜಿನ ಹಿಂದೆ ಅದರ ಬಣ್ಣಗಳ ಮಸುಕಾದ ವಾಶ್ ಅನ್ನು ಬದಲಾಯಿಸಿ.
7. "ಪ್ರತಿಯೊಂದು [ಔಟ್‌ಪುಟ್], ನೀವು ಅದನ್ನು ಹೇಗೆ ನೋಡುತ್ತೀರಿ ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ": ಗಾಜಿನ ಶೀರ್ಷಿಕೆ ಮಾತ್ರೆಯ ಹಿಂದಿನ ಮಧ್ಯದಿಂದ ನನ್ನ 120 ಚಿತ್ರಗಳನ್ನು ಹೊರಕ್ಕೆ ಬರ್ಸ್ಟ್ ಮಾಡಿ, ನಂತರ ಹೆಸರಿನ ಪ್ರಕಾರದಂತೆ ಅವುಗಳನ್ನು ನನ್ನ ಲೋಗೋದಲ್ಲಿ ಒಟ್ಟಿಗೆ ತನ್ನಿ. ಕೆಳಗೆ "ಈಗ ಹೊರಗೆ" ಇರಿಸಿ ಮತ್ತು 2 ಸೆಕೆಂಡುಗಳ ಕಾಲ ಹಿಡಿದುಕೊಳ್ಳಿ.

ಪ್ರಾಂಪ್ಟ್ ಬಾರ್, ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಸ್ಲೈಡರ್‌ಗಳನ್ನು ನನ್ನ ಉತ್ಪನ್ನದ ನಿಜವಾದ ಇನ್‌ಪುಟ್, ಔಟ್‌ಪುಟ್‌ಗಳು ಮತ್ತು ಸೆಟ್ಟಿಂಗ್‌ಗಳೊಂದಿಗೆ ಬದಲಾಯಿಸಿ.

[ಕ್ರಿಯಾಪದ] ಸಾಲಿನಲ್ಲಿ ಡ್ರಾಪ್ ಇಳಿಯುವಂತೆ ಹಾಡನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಅಲ್ಲಿ ಬೀಟ್ ಗ್ರಿಡ್ ಅನ್ನು ಆಂಕರ್ ಮಾಡಿ.
3-ಬ್ಯಾಂಡ್ ಸೈಡ್‌ಚೈನ್‌ನೊಂದಿಗೆ (ಕಡಿಮೆ 30%, ಮಿಡ್‌ಗಳು 85%, ಏರ್ 55%; 0.3ಸೆ ಹೋಲ್ಡ್, 50ಎಂಎಸ್ ಲುಕ್-ಅಹೆಡ್, 0.5ಸೆ ಬಿಡುಗಡೆ) ಧ್ವನಿಯ ಅಡಿಯಲ್ಲಿ ಸಂಗೀತವನ್ನು ಡಕ್ ಮಾಡಿ. ನಂತರ ಧ್ವನಿಯು ಸಂಗೀತಕ್ಕಿಂತ ಸುಮಾರು 9 ಡಿಬಿ ಮೇಲೆ 300 Hz ಮತ್ತು 4 kHz ನಡುವೆ ಕುಳಿತುಕೊಳ್ಳುವವರೆಗೆ ಪ್ರತಿ ಪದಗುಚ್ಛದ ಮಿಡ್‌ಗಳನ್ನು ಹೊಂದಿಸಿ.
ಪ್ರತಿ ಈವೆಂಟ್‌ಗೆ ಡೌನ್‌ಲೋಡ್ ಮಾಡಲಾದ ಒಂದು Mixkit SFX ಅನ್ನು ಬಳಸಿ, ಅದರ ಅಳತೆ ಮಾಡಿದ ಪೀಕ್‌ನಿಂದ ಸ್ಥಾನೀಕರಿಸಲಾಗಿದೆ: ಪ್ರತಿ ಇಮೇಜ್ ಬದಲಾವಣೆಗೆ ಒಂದು ಕ್ಲಿಕ್, ಟೈಪ್ ಮಾಡಿದ ಪ್ರತಿ ಅಕ್ಷರಕ್ಕೆ ಒಂದು ಕೀ ಧ್ವನಿ, ಒತ್ತಿಹೇಳಿದ ಪದದ ಮೇಲೆ ಮೃದುವಾದ ಲ್ಯಾಂಡಿಂಗ್, ವೂಶ್‌ಗಳು ಮತ್ತು ಡ್ರಾಪ್ ಮತ್ತು ಲೋಗೋದ ಮೇಲೆ ಪರಿಣಾಮಗಳು. ಪ್ರತಿಯೊಂದನ್ನು ಅದರ ಪೀಕ್ ಸುತ್ತಲೂ ಟ್ರಿಮ್ ಮಾಡಿ (ಹಲವು ರೈಸರ್‌ಗಳು 4 ಸೆಕೆಂಡುಗಳು). ಎಂಡ್ ಕಾರ್ಡ್ ಅಡಿಯಲ್ಲಿ dB ಕರ್ವ್‌ನ ಉದ್ದಕ್ಕೂ ಸಂಗೀತವನ್ನು ಮಸುಕುಗೊಳಿಸಿ. ಲೌಡ್‌ನಾರ್ಮ್ -14 LUFS ಗೆ.

1. ಒಂದು HTML ಕ್ಯಾನ್ವಾಸ್. ಪ್ರತಿಯೊಂದು ಫ್ರೇಮ್ ಸೀಕ್(ಟಿ) ಒಳಗೆ ಸಮಯದ ಶುದ್ಧ ಕಾರ್ಯವಾಗಿದೆ, ಮತ್ತು ಪ್ರತಿಯೊಂದು ಶೀರ್ಷಿಕೆ ಮತ್ತು ಕಟ್ ವರ್ಡ್ ಟೇಬಲ್ ಅನ್ನು ಅನುಸರಿಸುತ್ತದೆ.
2. ಗಾಜು: ಆಕಾರದ ಹಿಂದಿನ ಕ್ಯಾನ್ವಾಸ್ ಅನ್ನು ಸೆರೆಹಿಡಿಯಿರಿ, ದೇಹಕ್ಕೆ ಸುಮಾರು 14px ಮಸುಕುಗೊಳಿಸಿ, ಅಂಚಿನ ಉದ್ದಕ್ಕೂ 12px ಬ್ಯಾಂಡ್‌ನಲ್ಲಿ ಸುಮಾರು 1.06x ವರ್ಧಿತ ಲಘುವಾಗಿ ಮಸುಕಾದ ಪ್ರತಿಯನ್ನು ಎಳೆಯಿರಿ, ನಂತರ ಹಾಲು, ಶೀನ್, ರಿಮ್ ಮತ್ತು ನೆರಳು ಸೇರಿಸಿ.
3. 8 ಮೋಷನ್-ಬ್ಲರ್ ಸಬ್‌ಫ್ರೇಮ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು Playwright 60fps ನಲ್ಲಿ ರೆಂಡರ್ ಮಾಡಿ, ನಂತರ ffmpeg ನೊಂದಿಗೆ ಎನ್‌ಕೋಡ್ ಮಾಡಿ.
4. ನನಗೆ ಏನನ್ನಾದರೂ ತೋರಿಸುವ ಮೊದಲು, ಸ್ಟಿಲ್‌ಗಳ ಕಾಂಟ್ಯಾಕ್ಟ್ ಶೀಟ್ ಮಾಡಿ, ಸಿಂಗಲ್-ಫ್ರೇಮ್ ಪಾಪ್‌ಗಳಿಗಾಗಿ ಫ್ರೇಮ್ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಿ (16 ನೇ-ನೋಟ್ ರನ್‌ಗಳು ಮಾತ್ರ ಜಿಗಿಯಬಹುದು), ಮತ್ತು ಪ್ರತಿ ನುಡಿಗಟ್ಟುಗೂ ಧ್ವನಿ-ಸಂಗೀತ ಅನುಪಾತವನ್ನು ಪರಿಶೀಲಿಸಿ.

[ಉತ್ಸಾಹದಿಂದ] ಓಪನರ್ ಪಿಸುಗುಟ್ಟುವಂತೆ ಧ್ವನಿಸಬಹುದು, ಆದರೆ [ಉತ್ಸಾಹದಿಂದ] ನಕಲಿ ಅನಿಸಬಹುದು. ಪದದ ಹಿಂದಿನ ಹೈಲೈಟ್ ಬಾಕ್ಸ್ ವಿಂಡೋಸ್ ಪಠ್ಯ ಆಯ್ಕೆಯಂತೆ ಕಾಣುತ್ತದೆ. ಹ್ಯಾಂಡ್ಆಫ್ ಸಮಯದಲ್ಲಿ ಕ್ಯಾಮೆರಾ 1.0 ಗೆ ಮರುಹೊಂದಿಸಿದರೆ, ಜೂಮ್ ಸ್ನ್ಯಾಪ್ ಆಗುತ್ತದೆ. 0.05 ಸೆಕೆಂಡ್ ಫೇಡ್ ತ್ವರಿತ ಪಾಪ್-ಇನ್‌ನಂತೆ ಕಾಣುತ್ತದೆ.

ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಕೇಳಿ, ಸ್ಕ್ರಿಪ್ಟ್ ಬರೆಯಿರಿ, ಆಯ್ಕೆ ಮಾಡಲು 4 ಧ್ವನಿ ಟೇಕ್‌ಗಳನ್ನು ಕಳುಹಿಸಿ, ನಂತರ ಪೂರ್ಣ ರೆಂಡರ್ ಮಾಡುವ ಮೊದಲು 8 ಸ್ಟಿಲ್‌ಗಳನ್ನು ನನಗೆ ತೋರಿಸಿ.

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.

ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಪೋಸ್ಟ್ @rossaxbt.