ກຳລັງຕັ້ງຄ່າ: ຟີມເປີດຕົວຮູບພາບ Ora 2 ແບບຈຳລອງ

ຖາມຂ້ອຍສຳລັບ: ຊື່ຜະລິດຕະພັນຂອງຂ້ອຍ, ການນຳສະເໜີໜຶ່ງແຖວ, ໂລໂກ້ຂອງຂ້ອຍ, ພາບໜ້າຈໍ 3 ຫາ 6 ຮູບຂອງຜະລິດຕະພັນ, ຮູບພາບຫຼາຍກວ່າ 40 ຮູບຂອງສິ່ງທີ່ມັນສ້າງ (ຫຼື ຮູບພາບຂອງມັນ), ສີ ແລະ ຟອນຕ໌ຍີ່ຫໍ້ຂອງຂ້ອຍ, ລະຫັດ API ຂອງ ElevenLabs ແລະ ID ສຽງ, ບວກກັບເພງທີ່ບໍ່ມີຄ່າລິຂະສິດທີ່ມີການຫຼຸດລົງທີ່ຊັດເຈນ (ໄຟລ໌ສຽງ ແລະ ປະທັບເວລາຂອງການຫຼຸດລົງ). ຖ້າຂ້ອຍຂ້າມສິ່ງໃດ, ໃຫ້ໃຊ້ຄ່າເລີ່ມຕົ້ນເຫຼົ່ານີ້: "Ora 2", "ຮູບແບບຮູບພາບທີ່ສ້າງຂຶ້ນເພື່ອລົດຊາດ", ຮູບພາບຟຣີຈາກ Unsplash ແລະ Pixabay, Geist, ink #111214, ສຽງຂອງ Samara X (19STyYD15bswVz51nqLf) ໃນ eleven_v4, ແລະ Pixabay "Cascade Breathe" (129.83 BPM, ການຫຼຸດລົງທີ່ 75.39 ວິນາທີ).

<script>
ຂຽນສຽງພາກ 9 ແຖວໃນຮູບແບບນີ້ ແລະ ປັບທຸກແຖວໃຫ້ເຂົ້າກັບຜະລິດຕະພັນຂອງຂ້ອຍ:
"ນີ້ແມ່ນ [ຊື່]. [ໝວດໝູ່]... ສ້າງຂຶ້ນສຳລັບ [ຄ່າ]. [ຄຳກິລິຍາ] ໃນຮູບແບບໃດກໍໄດ້. ໃຫ້ມັນ [ການປ້ອນຂໍ້ມູນ] - ແລະມັນກໍ... ເຂົ້າໃຈ. ຍິ່ງເຈົ້າໃຊ້ມັນຫຼາຍເທົ່າໃດ, ມັນກໍ່ຈະດີຂຶ້ນເທົ່ານັ້ນ. ປັບ [ການຕັ້ງຄ່າ] ຂອງມັນ. [ການຕັ້ງຄ່າ] ຂອງມັນ. [ການຕັ້ງຄ່າ] ຂອງມັນ. ທຸກໆ [ຜົນຜະລິດ] - ຄືກັນກັບທີ່ເຈົ້າຈິນຕະນາການໄວ້. [ຊື່]. ອອກແລ້ວດຽວນີ້."
ໃຊ້ແທັກອາລົມຢ່າງລະມັດລະວັງ: [ຄ່ອຍໆ] ໃນປະໂຫຍກທີ່ງຽບໆ ແລະ [ຕື່ນເຕັ້ນ] ໃນປະໂຫຍກ [ກິລິຍາ]. ຢ່າແທັກຄຳເປີດປະໂຫຍກ, ແລະ ຈົບດ້ວຍຈຸດທຳມະດາ.
</script>

ໂທຫາ ElevenLabs API ໂດຍກົງໂດຍໃຊ້ຄີຂອງຂ້ອຍ, ໂດຍບໍ່ມີ MCP. ສ້າງ 4 ການຂຽນເຕັມຮູບແບບໃນຄັ້ງດຽວ ແລະ ໃຫ້ຂ້ອຍເລືອກ. ຖ້າແຖວໜຶ່ງຟັງບໍ່ຖືກຕ້ອງ, ໃຫ້ສ້າງແຖວນັ້ນຄືນໃໝ່ 4 ເທື່ອ ແລະ ເຊື່ອມຕໍ່ລຸ້ນທີ່ດີທີ່ສຸດເຂົ້າໃນການຂຽນຂອງຂ້ອຍ.
ຫຍໍ້ເວລາຢຸດຊົ່ວຄາວທີ່ຍາວກວ່າ 0.28 ວິນາທີ ລົງເປັນ 0.2 ວິນາທີ, ຈາກນັ້ນນຳແຕ່ລະປະໂຫຍກໄປທາງລະດັບກາງ 85%, ໂດຍປັບລະດັບການເພີ່ມຂຶ້ນສະເພາະໃນລະຫວ່າງການຢຸດຊົ່ວຄາວເທົ່ານັ້ນ.
ສຳລັບເວລາອ່ານ, ໃຫ້ແບ່ງການອ່ານທີ່ຢຸດຊົ່ວຄາວ 100 ມິນລິວິນາທີ ຫຼື ດົນກວ່ານັ້ນ, ຖອດຂໍ້ຄວາມແຕ່ລະສ່ວນແຍກຕ່າງຫາກດ້ວຍ Whisper, ແລະ ຈັດຄຳທຳອິດຂອງມັນໃຫ້ກົງກັບການເລີ່ມຕົ້ນທີ່ວັດແທກໄດ້. ການ Whisper pass ດຽວສາມາດເຮັດໃຫ້ຄຳສັບຊ້າລົງເຖິງເຄິ່ງວິນາທີ.

ຮູບເງົາປ່ອຍຍານອະວະກາດຮູບສີ່ຫຼ່ຽມມົນຍາວ 22 ວິນາທີ, ຄວາມລະອຽດ 1440x1440 ທີ່ 60fps, ໃນແບບຂອງການປ່ອຍຍານອະວະກາດໃນຫ້ອງທົດລອງ AI: ຜ້າໃບສີຂາວ, ຕົວອັກສອນໜຶ່ງຕົວ, ໝຶກສີດຳ, ຮູບພາບຕົວຈິງ, ແລະ ຄຳບັນຍາຍທີ່ພິມຄຳຕໍ່ຄຳໃນເວລາທີ່ເຂົາເຈົ້າເວົ້າ.
ທຸກໆການຄວບຄຸມ (ແຖບແຈ້ງເຕືອນ, ແຜງການຕັ້ງຄ່າ, ເມັດຄຳບັນຍາຍ) ໃຊ້ແກ້ວແຫຼວ: ເຮັດໃຫ້ສາກທາງຫຼັງມັນເຢັນລົງ, ງໍສາກນັ້ນຕາມແຄມຄືກັບແກ້ວໜາ, ຈາກນັ້ນເພີ່ມຄວາມເງົາດ້ານເທິງ, ຂອບທີ່ສົດໃສ ແລະ ເງົາທີ່ອ່ອນນຸ້ມ. ແກ້ວຈະຫາຍໄປເທິງສີຂາວທຳມະດາ, ສະນັ້ນ ໃຫ້ເພີ່ມອໍຣາສີ pastel ທີ່ຊ້າໆໃນສີຍີ່ຫໍ້ຂອງຂ້ອຍ ຫຼື ການລ້າງຮູບພາບທາງຫຼັງມັນທີ່ມົວ.
ອັນໜຶ່ງໄດ້ເນັ້ນໜັກໃສ່ປະເພດຄຳສັບຕ່າງໆໃນການໄລ່ສີຂອງຍີ່ຫໍ້ຂອງຂ້ອຍ, ໂດຍມີແສງໄຟຈາງໆຢູ່ທາງຫຼັງມັນ.
ກົດລະບຽບການເຄື່ອນໄຫວ: ຮັກສາກ້ອງຖ່າຍຮູບໃຫ້ລອຍໄປມາ (ກົດຈາກ 1.0 ຫາ 1.04 ຕໍ່ສາກ; ເມື່ອເນື້ອຫາຍ້າຍໄປສາກຕໍ່ໄປ, ໃຫ້ເລີ່ມຈາກການຊູມບ່ອນທີ່ສາກກ່ອນໜ້ານີ້ສິ້ນສຸດລົງ). ບໍ່ມີຫຍັງປາກົດຂຶ້ນທັນທີ: ໃຊ້ການຄ່ອຍໆຈາງລົງຢ່າງໜ້ອຍ 0.3 ວິນາທີ. ປ່ຽນຮູບພາບໃນໂນດທີ 16, ດ້ວຍການຄລິກໜຶ່ງຄັ້ງສຳລັບແຕ່ລະໂນດ. ວາງການປ່ຽນແປງສາກໃນການເລີ່ມຕົ້ນປະໂຫຍກ, ແລະຈັດຮຽງເພງໃຫ້ກົງກັບແຖວ [ຄຳກິລິຍາ]. ຢ່າສະແດງຈຸດເຕັມຢູ່ໜ້າຈໍ.
ຖືກຫ້າມ: ຈຸດເດັ່ນໃນກ່ອງເລືອກ, ສຽງດັງຂອງຈັງຫວະ, ສຽງກະພິບສີຂາວ, 3D, ແມ່ແບບ.

ເຈັດສາກ, ຕັ້ງເວລາໃຫ້ສຽງ:

1. "ນີ້ແມ່ນ [ຊື່]": ຮູບປະກອບຂອງຮູບພາບຂອງຂ້ອຍຈະລອຍອອກມາເມື່ອຊື່ພິມເປັນຕົວໃຫຍ່, ຈາກນັ້ນກໍ່ເປີດທາງໃຫ້ກັບແຖວໝວດໝູ່.
2. "ສ້າງມາສຳລັບ [ຄ່າ]": ກະພິບເຕັມຈໍຂອງຮູບພາບທີ່ດີທີ່ສຸດຂອງຂ້ອຍຈະປ່ຽນໄປໃນບັນທຶກທີ 16 ເຂົ້າໄປໃນບັນທຶກ, ໂດຍມີເສັ້ນພິມເປັນສີຂາວຢູ່ເທິງພວກມັນ.
3. ການຫຼຸດລົງ: ແຖບກະຕຸ້ນແກ້ວພິມການກະຕຸ້ນສັ້ນໆ. ບັດຜົນໄດ້ຮັບຈະປ່ຽນຮູບແບບທຸກໆໂນດທີ 16, ໃນຂະນະທີ່ຊິບຮູບແບບສີດຳຈະມ້ວນໄປຫາແຕ່ລະຊື່ໃໝ່ທີ່ຢູ່ຂ້າງເທິງແຖບຮູບຫຍໍ້.
4. "ສະແດງ moodboard ໃຫ້ມັນເຫັນ": ຮູບພາບ 9 ຮູບຈະລອຍເຂົ້າໄປໃນຕາຕະລາງ 3x3, ຈາກນັ້ນວົງມົນຜົນໄດ້ຮັບເປັນປະເພດ "ມັນເຮັດໃຫ້ເຈົ້າໄດ້" ຢູ່ໜ້າຈໍ.
5. "ຍິ່ງເຈົ້າໃຊ້ມັນຫຼາຍເທົ່າໃດ, ມັນກໍ່ຈະດີຂຶ້ນເທົ່ານັ້ນ": ພິມສອງແຖວ, ໂດຍມີຄຳທີ່ເນັ້ນໃສ່ໃນການໄລ່ສີ.
6. ການຕັ້ງຄ່າ: ສະແດງແຜງແກ້ວທີ່ມີຕົວເລື່ອນ 3 ຕົວ, ແຕ່ລະຕົວເຄື່ອນທີ່ຕາມທີ່ລາວຕັ້ງຊື່ມັນ. ປ່ຽນສີຂອງຮູບພາບ, ມ້ວນເມັດໃໝ່ໃນສ່ວນທີ 16, ຈາກນັ້ນປ່ຽນມັນໃຫ້ເປັນໂປສເຕີ. ປ່ຽນສີທີ່ມົວໆຢູ່ທາງຫຼັງແກ້ວໃຫ້ເຂົ້າກັນ.
7. "ທຸກໆ [ຜົນຜະລິດ], ຄືກັນກັບທີ່ເຈົ້າເຫັນ": ຖ່າຍຮູບພາບຂອງຂ້ອຍ 120 ຮູບອອກມາຈາກຈຸດກາງທາງຫຼັງເມັດຄຳບັນຍາຍແກ້ວ, ຈາກນັ້ນນຳພວກມັນມາລວມກັນເປັນໂລໂກ້ຂອງຂ້ອຍຕາມທີ່ຊື່ພິມຢູ່. ໃສ່ "ອອກດຽວນີ້" ຢູ່ດ້ານລຸ່ມ ແລະ ຄ້າງໄວ້ 2 ວິນາທີ.

ປ່ຽນແຖບແຈ້ງເຕືອນ, ຜົນໄດ້ຮັບ ແລະ ຕົວເລື່ອນດ້ວຍອິນພຸດ, ຜົນຜະລິດ ແລະ ການຕັ້ງຄ່າຕົວຈິງຂອງຜະລິດຕະພັນຂອງຂ້ອຍ.

ຕັ້ງເພງໃຫ້ສຽງຫຼຸດລົງໃນແຖວ [Verb], ແລະ ວາງຈຸດຈັງຫວະໄວ້ທີ່ນັ້ນ.
ຫຼຸດຜ່ອນສຽງດົນຕີໃຫ້ຢູ່ໃຕ້ສຽງດ້ວຍລະບົບຂ້າງຄຽງ 3 ແຖບ (ສຽງຕໍ່າສຸດ 30%, ສຽງກາງ 85%, ສຽງອາກາດ 55%; ຄ້າງໄວ້ 0.3 ວິນາທີ, ເບິ່ງໄປຂ້າງໜ້າ 50 ວິນາທີ, ປ່ອຍສຽງກາງ 0.5 ວິນາທີ). ຈາກນັ້ນປັບສຽງກາງຂອງແຕ່ລະປະໂຫຍກຈົນກວ່າສຽງຈະຢູ່ເໜືອສຽງດົນຕີປະມານ 9 dB ລະຫວ່າງ 300 Hz ແລະ 4 kHz.
ໃຊ້ Mixkit SFX ທີ່ດາວໂຫຼດມາໜຶ່ງອັນຕໍ່ເຫດການ, ຈັດວາງຕາມຈຸດສູງສຸດທີ່ວັດແທກໄດ້: ການຄລິກສຳລັບການປ່ຽນແປງຮູບພາບແຕ່ລະຄັ້ງ, ສຽງປຸ່ມສຳລັບແຕ່ລະຕົວອັກສອນທີ່ພິມ, ສຽງລົງທີ່ເບົາໆໃສ່ຄຳທີ່ເນັ້ນ, ສຽງໂຮດ, ແລະ ຜົນກະທົບຕໍ່ການຫຼຸດລົງ ແລະ ໂລໂກ້. ຕັດແຕ່ລະອັນອ້ອມຈຸດສູງສຸດຂອງມັນ (ສຽງເພີ່ມຂຶ້ນຫຼາຍອັນແມ່ນ 4 ວິນາທີ). ຄ່ອຍໆເພີ່ມສຽງເພງລົງຕາມເສັ້ນໂຄ້ງ dB ພາຍໃຕ້ບັດຈົບ. ລະດັບສຽງມາດຕະຖານເຖິງ -14 LUFS.

1. ແຜ່ນຜ້າ HTML ໜຶ່ງແຜ່ນ. ທຸກໆເຟຣມແມ່ນຟັງຊັນທີ່ບໍລິສຸດຂອງເວລາພາຍໃນ seek(t), ແລະທຸກໆຄຳບັນຍາຍ ແລະ ການຕັດຕໍ່ຈາກຕາຕະລາງຄຳ.
2. ແກ້ວ: ຈັບພາບຜ້າໃບທາງຫຼັງຮູບຮ່າງ, ເຮັດໃຫ້ມັນມົວປະມານ 14px ສຳລັບຕົວຮູບ, ແຕ້ມສຳເນົາທີ່ມົວເລັກນ້ອຍໂດຍຂະຫຍາຍປະມານ 1.06x ໃນແຖບ 12px ຕາມແຄມ, ຈາກນັ້ນຕື່ມສີນົມ, ສີເງົາ, ຂອບ ແລະ ເງົາ.
3. ເຣນເດີດ້ວຍ Playwright ທີ່ 60fps ໂດຍໃຊ້ 8 subframes motion-blur, ຈາກນັ້ນເຂົ້າລະຫັດດ້ວຍ ffmpeg.
4. ກ່ອນທີ່ຈະສະແດງຫຍັງໃຫ້ຂ້ອຍເບິ່ງ, ໃຫ້ເຮັດແຜ່ນຕິດຕໍ່ຂອງພາບນິ້ງ, ສະແກນຄວາມແຕກຕ່າງຂອງເຟຣມເພື່ອຊອກຫາສຽງປ໊ອບໃນເຟຣມດຽວ (ມີພຽງສຽງທີ່ແລ່ນດ້ວຍໂນດທີ 16 ເທົ່ານັ້ນທີ່ອາດຈະໂດດໄດ້), ແລະກວດສອບອັດຕາສ່ວນສຽງຕໍ່ເພງສຳລັບທຸກໆປະໂຫຍກ.

ສຽງເປີດທີ່ [ອົບອຸ່ນ] ອາດຟັງຄືສຽງກະຊິບ, ໃນຂະນະທີ່ [ຕື່ນເຕັ້ນ] ອາດຮູ້ສຶກປອມ. ກ່ອງໄຮໄລ້ທາງຫຼັງຄຳສັບເບິ່ງຄືວ່າເປັນການເລືອກຂໍ້ຄວາມຂອງ Windows. ຖ້າກ້ອງຖ່າຍຮູບຕັ້ງຄ່າຄືນໃໝ່ເປັນ 1.0 ໃນລະຫວ່າງການສົ່ງຕໍ່, ການຊູມຈະຢຸດ. ການຈາງລົງ 0.05 ວິນາທີເບິ່ງຄືວ່າເປັນການສະແດງຜົນທັນທີ.

ຂໍຂໍ້ມູນຈາກຂ້ອຍ, ຂຽນບົດ, ສົ່ງສຽງເວົ້າ 4 ສຽງໃຫ້ເລືອກ, ຈາກນັ້ນສະແດງໃຫ້ຂ້ອຍເຫັນ 8 ຮູບກ່ອນການສະແດງຜົນເຕັມ.

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.

ການກະຕຸ້ນເຕືອນເອົາມາຈາກ ໂພສ @rossaxbt.