Ora 2 Bildmodell Startfilm

Frot mech no: mengem Produktnumm, engem Pitch an enger Zeil, mengem Logo, 3 bis 6 Screenshots vum Produkt, iwwer 40 Biller vun deem wat et erstellt (oder Fotoen dovun), menge Markenfaarwen a Schrëft, en ElevenLabs API-Schlëssel an eng Stëmm-ID, plus en royaltyfräien Track mat engem kloeren Drop (d'Audiodatei an den Drop-Zäitstempel). Wann ech eppes iwwersprangen, benotzt dës Standardastellungen: "Ora 2", "e Bildmodell fir de Goût", gratis Biller vun Unsplash a Pixabay, Geist, Tënt #111214, d'Stëmm Samara X (19STyYD15bswVz51nqLf) op eleven_v4, a Pixabay "Cascade Breathe" (129.83 BPM, Drop bei 75.39s).

<script>
Schreift eng 9-Zeileg Voiceover an dësem Format a passt all Zeil un mäi Produkt un:
"Dëst ass [Numm]. Eng [Kategorie]... gebaut fir [Wäert]. [Verb] an ALL Stil. Gitt et en [Input] - an et versteet einfach... et. Wat Dir et méi benotzt, wat BESSER et gëtt. Passt seng [Astellung] un. Seng [Astellung]. Seng [Astellung]. All [Output] - genau sou wéi Dir et Iech virgestallt hutt. [Numm]. Elo eraus."
Benotzt Emotiounen-Tags spuersam: [sanft] op de rouegen Zeilen an [opgereegt] op der [Verb]-Zeil. Markéiert den Ufank net a schléisst en mat engem einfache Punkt of.
</script>

Rufft d'ElevenLabs API direkt mat mengem Schlëssel un, ouni en MCP. Generéiert 4 Vollskript-Takes an engem Duerchgank a loosst mech wielen. Wann eng Zeil net richteg kléngt, generéiert just déi Zeil 4 Mol a füügt déi bescht Versioun a mäin Take an.
Verkierzt Pausen, déi méi laang wéi 0,28 Sekonnen sinn, op 0,2 Sekonnen, bréngt dann all Phrase ëm 85% Richtung Medianniveau, andeems Dir de Gain nëmme während de Pausen upasst.
Fir Wuertzäiten, deelt d'Liesung a Pausen vun 100ms oder méi laang op, transkribéiert all Segment separat mat Whisper, an riicht säin éischt Wuert un den gemoossenen Ufank aus. Ee Whisper-Pass kann Wierder bis zu enger hallwer Sekonn verspéiten.

E quadratesche Startfilm vun 22 Sekonnen, 1440x1440 bei 60fps, am Stil vun engem Start an engem KI-Labor: wäiss Leinwand, eng Schrëft, schwaarz Tënt, richteg Biller an Ënnerschrëften, déi Wuert fir Wuert zum genaue Moment getippt ginn, wou se geschwat ginn.
All Kontroll (Promptbar, Astellungspanel, Beschreiwungspill) benotzt flëssegt Glas: maacht d'Szen hannendrun mat Glasur, béit dës Szen laanscht de Rand wéi déckt Glas, füügt dann en ieweschten Glanz, en helle Rand an e mëllen Lift-Schied derbäi. Glas verschwënnt op einfachem Wäiss, also füügt eng lues Pastell-Aura a menge Markenfaarwen oder eng verschwommen Auswäschung vun der Foto hannendrun derbäi.
Déi eng huet Wuerttypen an engem Gradient vu menge Markenfaarwen ervirgehuewen, mat engem schwaache Liicht hannendrun.
Bewegungsregelen: d'Kamera driftend halen (vun 1,0 op 1,04 pro Szen drécken; wann den Inhalt op déi nächst Szen wiesselt, fänkt um Zoom un, wou déi viregt Szen opgehalen huet). Näischt erschéngt direkt: benotzt vereinfacht Ausbléien vun op d'mannst 0,3 Sekonnen. Ännert Biller op 16. Noten, mat engem Klick fir all. Land Szenenännerungen beim Phrasenufank, an riicht den Museksdrop mat der [Verb] Linn aus. Weist keng Punkten um Bildschierm.
Verbueden: Highlights an der Selection-Box, Slams mat ofgebrachene Beats, wäiss Blëtzer, 3D, Templates.

Siwe Szenen, op d'Stëmm getimed:

1. "Dëst ass [Numm]": eng Collage vu menge Biller dréckt eraus, wann den Numm grouss getippt gëtt, a mécht dann Plaz fir d'Kategoriezeil.
2. "made for [value]": Vollbildblitzer vu menge beschte Biller schalten 16. Noten an den Drop un, mat der Linn a wäiss driwwer getippt.
3. Den Drop: eng Glasprompt-Leescht tippen eng kuerz Prompt an. D'Resultatkaart ännert de Stil all 16. Note, während e schwaarze Stilchip bei all neien Numm iwwer engem Thumbnail-Sträif rullt.
4. "Weist et e Moodboard": 9 Biller fléien an en 3x3 Raster, da kreest d'Resultat an, während "Et kritt dech" um Bildschierm tippt.
5. "Wat Dir et méi benotzt, wat et besser gëtt": Schreift zwou Zeilen, mam ervirgehuewe Wuert am Verlaf.
6. D'Astellungen: weist e Glaspanel mat 3 Schieber, déi sech jee no Numm beweegen. Verännert den Téin vum Bild, rullt nei Somen op 16., an dann maacht et an e Poster. Verréckelt eng verschwommen Faarftéin synchron hannert dem Glas.
7. "All [Ausgab], genau sou wéi Dir se gesitt": 120 vu menge Biller vun der Mëtt no baussen hannert enger Glasbeschreiwungspille setzen, dann zesummebréngen se zu mengem Logo, während den Numm ugetippt gëtt. "Elo eraus" drënner setzen an 2 Sekonnen halen.

Ersatz vun der Uweiseleist, de Resultater an de Schieberegler duerch déi richteg Inputen, Outputen a Astellungen vu mengem Produkt.

Setzt d'Lidd sou datt den Tropfen op der [Verb]-Linn lant, an verankert de Beat-Raster do.
Verdutzt d'Musek ënnert d'Stëmm mat enger 3-Band-Säitekette (Déift 30%, Mëtteltéin 85%, Loft 55%; 0,3s Hold, 50ms Look-Ahead, 0,5s Release). Dann passt d'Mëtteltéin vun all Phrase un, bis d'Stëmm ongeféier 9 dB iwwer der Musek tëscht 300 Hz a 4 kHz läit.
Benotzt een erofgeluede Mixkit SFX pro Event, positionéiert no sengem gemoossene Peak: e Klick fir all Bildwiessel, en Tastenklang fir all getippte Buschtaf, eng mëll Landung op dat betount Wuert, Wuschen an Auswierkungen op den Drop an de Logo. Trimmt all Toun ronderëm säi Peak (vill Risers daueren 4 Sekonnen). Fade d'Musek laanscht eng dB-Kurve ënner der Endkaart. Lautnorm op -14 LUFS.

1. Eng HTML Leinwand. All Frame ass eng reng Funktioun vun der Zäit an der seek(t), an all Ënnerschrëft a Schnëtt folgt der Wuerttabell.
2. Glas: Fänkt d'Leinwand hannert der Form un, verschwommen se ongeféier 14px fir de Kierper, moolt eng liicht verschwommen Kopie vergréissert ongeféier 1,06x an engem 12px Band laanscht de Rand, da füügt d'Mëllech, de Glanz, de Rand an de Schiet derbäi.
3. Render mat Playwright bei 60fps mat 8 Motion-Blur-Subframes, an dann encodéieren mat ffmpeg.
4. Ier Dir mir eppes weist, maacht eng Kontaktlëscht mat Stills, scannt d'Bildënnerscheeder fir Pops an engem eenzege Bild (nëmmen d'Läif vun der 16. Note däerfen iwwersprangen) a kontrolléiert d'Stëmm-Musek-Verhältnis fir all Phrase.

En [waarmen] Ufank kann geflüstert kléngen, während [opgereegt] sech falsch ufillt. Eng Highlightbox hannert engem Wuert gesäit aus wéi eng Windows-Textauswiel. Wann d'Kamera während engem Handoff op 1.0 zréckgesat gëtt, wiesselt den Zoom. E Fade vun 0,05 Sekonnen gesäit aus wéi en direkten Pop-in.

Frot mech no den Inputs, schreift de Skript, schéckt mir 4 Stëmmopnamen zur Auswiel, a weist mir dann 8 Stills ier de komplette Rendering gemaach gëtt.

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.

Ufro geholl vun Post @rossaxbt.