Орнотуу: Ora 2 моделинин бет ачаар тасмасы

Менден төмөнкүлөрдү сураңыз: продуктумдун аталышы, бир саптан турган презентация, логотибим, продуктунун 3төн 6га чейинки скриншоттору, ал эмне жаратканынын (же анын сүрөттөрүнүн) 40тан ашык сүрөтү, бренд түстөрүм жана шрифтим, ElevenLabs API ачкычы жана үн идентификатору, ошондой эле ачык түшүрүлүшү бар роялтисиз трек (аудио файл жана түшүрүү убакыт белгиси). Эгер мен бир нерсени өткөрүп жиберсем, бул демейки жөндөөлөрдү колдонуңуз: "Ora 2", "табит үчүн жасалган сүрөт модели", Unsplash жана Pixabay сайттарынан акысыз сүрөттөр, Geist, сыя #111214, eleven_v4 сайтындагы Samara Xтин үнү (19STyYD15bswVz51nqLf) жана Pixabay "Cascade Breathe" (129.83 BPM, 75.39 секундда түшүрүү).

<script>
Ушул форматта 9 саптан турган үн коштоо жазып, ар бир сапты менин продуктума ылайыкташтырыңыз:
"Бул [аталышы]. [категория]... [баалуулук] үчүн курулган. [Этиш] КААЛАГАН стилде. Ага [киргизүү] бериңиз - жана ал жөн гана... түшүнөт. Аны канчалык көп колдонсоңуз, ошончолук ЖАКШЫ болот. Анын [орнотуусун] тууралаңыз. Анын [орнотуусун]. Анын [орнотуусун]. Ар бир [чыгарууну] - сиз элестеткендей тууралаңыз. [Аты]. Азыр чыгарылды."
Эмоция белгилерин аз колдонуңуз: тынч саптарга [жумшак] жана [Этиш] саптарына [толкунданып] колдонуңуз. Баштоочу сөздү белгилебеңиз жана аны чекит менен бүтүрүңүз.
</script>

ElevenLabs API'син MCP түз менин ачкычымды колдонуп чакырыңыз. Бир өтүүдө 4 толук сценарийди түзүңүз жана мага тандоого уруксат бериңиз. Эгерде бир сап туура эмес угулса, ошол сапты 4 жолу кайра түзүп, эң жакшы версиясын менин өтүнүчүмө кошуңуз.
0,28 секунддан узунураак тыныгууларды 0,2 секундга чейин кыскартыңыз, андан кийин ар бир фразаны медианалык деңгээлдин 85% га жеткириңиз, күчөтүүнү тыныгуулар учурунда гана тууралаңыз.
Сөздөрдүн убактысын эсептөө үчүн, окууну 100 мс же андан көп тыныгуулар менен бөлүп, ар бир сегментти Whisper менен өзүнчө транскрипциялап, анын биринчи сөзүн өлчөнгөн башталышка тегиздеңиз. Whisperтин бир жолу өтүшү сөздөрдү жарым секундага чейин кечиктире алат.

22 секунддук чарчы форматтагы, 1440x1440 форматындагы, 60 кадр/секунда жыштыгындагы, жасалма интеллект лабораториясындагы учуруу стилиндеги тасма: ак холст, бир шрифт, кара сыя, чыныгы сүрөттөр жана айтылып жаткан убакта сөзмө-сөз терилген коштомо жазуулар.
Ар бир башкаруу элементи (суроо тилкеси, жөндөөлөр панели, коштомо жазуу таблеткасы) суюк айнекти колдонот: артындагы көрүнүштү күңүрт түскө боёп, ал көрүнүштү калың айнек сыяктуу четине ийип, андан кийин үстүнкү жылтырак, жаркыраган алкак жана жумшак көтөрүүчү көлөкө кошуңуз. Айнек жөнөкөй ак түстө жоголот, андыктан менин бренд түстөрүмдө жай пастел аурасын же артындагы сүрөттүн бүдөмүк түсүн кошуңуз.
Бири менин брендимдин түстөрүнүн градиентинде сөз түрлөрүн баса белгилеп, анын артында бир аз жаркыроо пайда болгон.
Кыймыл эрежелери: камераны кыймылдатып туруңуз (ар бир көрүнүш үчүн 1.0дон 1.04кө чейин басыңыз; мазмун кийинки көрүнүшкө өткөндө, мурунку көрүнүш аяктаган жерден масштабдоодон баштаңыз). Эч нерсе заматта пайда болбойт: жок дегенде 0.3 секунддук жеңилдетүүлөрдү колдонуңуз. 16-нотадагы сүрөттөрдү ар бири үчүн чыкылдатуу менен алмаштырыңыз. Фраза башталганда жер көрүнүшү өзгөрүп, музыканын ылдый жагын [Verb] сабы менен тегиздеңиз. Экранда чекиттерди көрсөтпөңүз.
Тыюу салынган: тандоо кутучасындагы жарыктар, ритм менен үзгүлтүккө учураган үндөр, ак жаркылдоолор, 3D, шаблондор.

Үнгө жараша убакыт берилген жети көрүнүш:

1. "Бул [аты]": аталыш чоңойтулуп терилгенде сүрөттөрүмдүн коллажы пайда болуп, андан кийин категория сабына жол бошотуп берет.
2. "[баалуулук үчүн жасалган]": менин эң мыкты сүрөттөрүмдүн толук экранда жаркылдашы 16-ноталарды ачып, алардын үстүнө ак түс менен жазылган сапты күйгүзөт.
3. Түшүрүү: айнектен жасалган суроо тилкеси кыска суроону терет. Натыйжа картасы ар бир 16-нота сайын стилин өзгөртөт, ал эми кара стилдеги чип миниатюралык тилкенин үстүндөгү ар бир жаңы аталышка тоголонот.
4. "Маанайды көтөрүүчү тактаны көрсөтүңүз": 9 сүрөт 3x3 торчосуна учат, андан кийин экранда "It gets you" деген жазуулар пайда болгондо жыйынтыкты тегеректеп коюңуз.
5. "Аны канчалык көп колдонсоңуз, ошончолук жакшы болот": эки сап териңиз, басым жасалган сөздү градиентке коюңуз.
6. Орнотуулар: ар бири ал атагандай кыймылдаган 3 жылдыргычы бар айнек панелди көрсөтөт. Сүрөттүн түсүн өзгөртүп, 16-чиптерге жаңы үрөндөрдү жайып, андан кийин аны плакатка айландырыңыз. Түстөрүнүн бүдөмүк аралашмасын айнектин артына синхрондоштуруңуз.
7. "Ар бир [чыгарылыш], сиз көргөндөй": айнек жазуу таблеткасынын артындагы ортосунан 120 сүрөтүмдү сыртка бөлүп, андан кийин аталышы жазылганда аларды логотибиме бириктирем. Астына "Азыр чыгып кетти" деп жазып, 2 секунд кармап туруңуз.

Сурам тилкесин, натыйжаларды жана жылдыргычтарды менин продуктумдун чыныгы киргизүү, чыгаруу жана жөндөөлөрү менен алмаштырыңыз.

Ырды тамчы [Verb] сабына түшүп тургандай кылып коюп, ритм торчосун ошол жерге бекитиңиз.
Үндүн астындагы музыканы 3 тилкелүү каптал чынжыр менен басыңыз (төмөнкү жыштыктар 30%, ортоңку жыштыктар 85%, аба 55%; 0.3 секунд кармоо, 50 мс алдын ала кароо, 0.5 секунд коё берүү). Андан кийин ар бир фразанын ортосун үн 300 Гц жана 4 кГц ортосундагы музыкадан 9 дБ жогору болгонго чейин тууралаңыз.
Ар бир окуя үчүн бир жүктөлүп алынган Mixkit SFX колдонуңуз, анын өлчөнгөн чокусуна жараша жайгаштырыңыз: ар бир сүрөттүн өзгөрүшү үчүн бир чыкылдатуу, ар бир терилген тамга үчүн баскычтын үнү, басым жасалган сөзгө акырын конуу, вихринг жана түшүү жана логотипке таасир этүү. Ар бирин чокусунун айланасында кыркыңыз (көптөгөн көтөргүчтөр 4 секунд). Музыканы картанын аягындагы дБ ийри сызыгы боюнча басаңдатыңыз. Катуу норма -14 LUFS чейин.

1. Бир HTML холст. seek(t) ичиндеги ар бир кадр убакыттын таза функциясы болуп саналат жана ар бир жазуу жана кесүү Word таблицасынын артынан түшөт.
2. Айнек: форманын артындагы полотнону тартып, аны денеси үчүн болжол менен 14 пикселге бүдөмүктөтүңүз, четине 12 пикселдик тилкеде болжол менен 1,06 эсе чоңойтулган бир аз бүдөмүк көчүрмөнү тартыңыз, андан кийин сүттү, жылтырактык, четин жана көлөкө кошуңуз.
3. 8 кыймылдуу бүдөмүктүү субфреймдерди колдонуп, Playwright менен 60 кадр/секунда жыштыкта рендеринг жасаңыз, андан кийин ffmpeg менен коддоңуз.
4. Мага бир нерсени көрсөтүүдөн мурун, сүрөттөрдүн байланыш барагын жасаңыз, бир кадрдагы үндөр үчүн кадрлардын айырмасын сканерлеңиз (16-нотадагы үндөр гана секирип кетиши мүмкүн) жана ар бир фраза үчүн үн менен музыканын катышын текшериңиз.

[Жылуу] ачкыч шыбырап угулушу мүмкүн, ал эми [толкунданып] жасалма сезилиши мүмкүн. Сөздүн артындагы белгилөө кутучасы Windows текст тандоосуна окшош. Эгерде камера өткөрүп берүү учурунда 1.0го кайра коюлса, масштабдоо үзгүлтүккө учурайт. 0.05с өчүшү заматта пайда болгон сүрөткө окшошот.

Менден киргизүүлөрдү сураңыз, сценарий жазыңыз, тандоо үчүн 4 үн жаздыруусун жөнөтүңүз, андан кийин толук рендерингге чейин 8 кадр көрсөтүңүз.

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.

Суроо алынган жер пост @rossaxbt.