Fametrahana: Sarimihetsika fandefasana modely sary Ora 2

Anontanio ahy ireto: ny anaran'ny vokatra, andalana iray, ny logo-ko, pikantsarin'ny vokatra 3 ka hatramin'ny 6, sary 40+ amin'izay noforoniny (na sarin'izany), ny loko sy ny endri-tsoratra momba ny marikako, lakilen'ny API ElevenLabs sy ID feo, miampy hira tsy misy royalty misy "clear drop" (ny rakitra audio sy ny mari-potoanan'ny "drop"). Raha misy zavatra tsy raisiko dia ampiasao ireto safidy ireto: "Ora 2", "modely sary natao ho an'ny tsiro", sary maimaim-poana avy amin'ny Unsplash sy Pixabay, Geist, ink #111214, ny feo Samara X (19STyYD15bswVz51nqLf) amin'ny eleven_v4, ary Pixabay "Cascade Breathe" (129.83 BPM, fihenana amin'ny 75.39s).

<script>
Manorata feo misy andalana 9 amin'ity endrika ity ary ampifanaraho amin'ny vokatra vokariko ny andalana rehetra:
"Ity no [anarana]. [Sokajy]... namboarina ho an'ny [value]. [Verb] amin'ny fomba REHETRA. Omeo [input] izy - dia... azony tsara izany. Arakaraka ny ampiasanao azy no vao mainka TSARA kokoa izy. Amboary ny [setting]. Ny [setting]. Ny [output] rehetra - araka ny noeritreretinao azy. [Name]. Mivoaka izao."
Ampiasao amim-pitandremana ireo mari-pamantarana fihetseham-po: [malefaka] amin'ny andalana mangina ary [mientanentana] amin'ny andalana [Matoanteny]. Aza asiana marika eo am-piandohana, ary farano amin'ny teboka tsotra.
</script>

Antsoy mivantana ny ElevenLabs API amin'ny fampiasana ny lakile-ko, tsy misy MCP. Mamorona script feno 4 amin'ny fandalovana iray ary avelao aho hisafidy. Raha toa ka tsy mety ny andalana iray, dia avereno in-4 io andalana io fotsiny ary ampifandraiso amin'ny fandalovako ny dikan-teny tsara indrindra.
Afohezo ho 0.2s ny fiatoana mihoatra ny 0.28 segondra, dia ampifanaraho amin'ny 85%-n'ny halavan'ny fehezanteny tsirairay ny feo antonony, ary amboary ny tombony mandritra ny fiatoana ihany.
Ho an'ny fandrindrana ny fotoana famakiana teny, zarao amin'ny fiatoana 100ms na mihoatra ny famakiana, soraty misaraka amin'ny Whisper ny fizarana tsirairay, ary ampifanaraho amin'ny fiandohana voarefy ny teny voalohany. Ny fandalovan'ny Whisper tokana dia afaka mametraka teny tara hatramin'ny antsasaky ny segondra.

Sarimihetsika fandefasana efamira maharitra 22 segondra, 1440x1440 amin'ny 60fps, toy ny fandefasana laboratoara AI: lamba fotsy, endri-tsoratra iray, ranomainty mainty, sary tena izy, ary fanazavana nosoratana isaky ny teny amin'ny fotoana marina itenenana azy ireo.
Mampiasa fitaratra ranoka ny fanaraha-maso rehetra (barin'ny baiko, tontonana fanovana, takelaka fanazavana): asio glasy eo amin'ny sehatra ao ambadik'izany, aforeto eo amin'ny sisiny toy ny fitaratra matevina izany sehatra izany, avy eo ampio famirapiratana ambony, sisiny mamirapiratra ary aloka malefaka. Manjavona ny fitaratra amin'ny fotsy tsotra, ka ampio aura pastel miadana amin'ny lokon'ny marika na loko manjavozavo amin'ny sary ao ambadik'izany.
Ilay iray dia nanantitrantitra ny karazana teny tamin'ny lokon'ny marikako miovaova, miaraka amin'ny hazavana malefaka ao ambadik'izany.
Fitsipika momba ny fihetsehana: tazomy hivezivezy ny fakantsary (asio avy amin'ny 1.0 ka hatramin'ny 1.04 isaky ny sehatra; rehefa mifindra mankany amin'ny sehatra manaraka ny votoaty, atombohy amin'ny zoom izay nifaranan'ny sehatra teo aloha). Tsy misy miseho avy hatrany: ampiasao ny fade mihena farafahakeliny 0.3s. Ovay ny sary amin'ny naoty faha-16, miaraka amin'ny tsindry iray isaky ny iray. Afindrao ny sehatra rehefa manomboka ny fehezanteny, ary ampifanaraho amin'ny tsipika [Verb] ny fihenan'ny mozika. Aza aseho ny teboka eo amin'ny efijery.
Voarara: sary misongadina ao anaty boaty fisafidianana, kapoka mafy, tselatra fotsy, 3D, môdely.

Seho fito, mifanaraka amin'ny feo:

1. "Ity no [anarana]": miparitaka ny sary natambatra misy ny sariko rehefa soratana lehibe ny anarana, avy eo dia ovaina ho amin'ny tsipika sokajy.
2. "natao ho an'ny [value]": tselatra feno amin'ny efijery amin'ireo sariko tsara indrindra no alefa amin'ny naoty faha-16, miaraka amin'ny tsipika voasoratra fotsy eo amboniny.
3. Ny fidinany: misy bara fitaratra manoratra baiko fohy. Miova endrika ny karatra vokatra isaky ny naoty faha-16, raha mihodina kosa ny poti-tsoratra mainty isaky ny anarana vaovao eo ambonin'ny tsipika kely.
4. "Asehoy azy amin'ny "moodboard": Sary 9 no miparitaka ao anaty harato 3x3, avy eo ataovy boribory ny valiny rehefa manoratra eo amin'ny efijery ny hoe "Mahazo anao izany".
5. "Arakaraka ny ampiasanao azy no vao mainka tsara kokoa": manorata andalana roa, miaraka amin'ny teny nohamafisina ao amin'ny gradient.
6. Ireo fanovana: asehoy takelaka fitaratra misy slider 3, izay mihetsika araka ny anarany avy. Ovao ny lokon'ny sary, ampidiro voa vaovao eo amin'ny faha-16, dia avadiho ho afisy. Ovao ny lokony manjavozavo ao ambadiky ny fitaratra mifanaraka amin'izany.
7. "Ny [vokatra rehetra], araka ny fahitanao azy": apetaho mivoaka avy eo afovoany ao ambadiky ny takelaka fanazavana fitaratra ny sariko 120, dia ampiarahina ao amin'ny logo-ko rehefa manoratra ny anarana. Apetraho eo ambaniny ny "Out now" ary hazòny mandritra ny 2 segondra.

Soloy amin'ny fidirana, fivoahana ary fikirana tena izy an'ny vokatrako ny bara prompt, ny valiny ary ny sliders.

Apetraho eo amin'ny tsipika [Verb] ny hira, ary ampifandraiso eo ny fehezam-peo.
Afeno ny mozika eo ambanin'ny feo amin'ny alalan'ny "sidechain" 3-band (ambany 30%, antonony 85%, rivotra 55%; fihazonana 0.3s, fijerena mialoha 50ms, famoahana 0.5s). Avy eo, amboary ny antonony amin'ny fehezanteny tsirairay mandra-pahatongan'ny feo eo amin'ny 9 dB ambonin'ny mozika eo anelanelan'ny 300 Hz sy 4 kHz.
Ampiasao ny Mixkit SFX iray alaina isaky ny hetsika, apetraka araka ny tampony voarefy: tsindry iray isaky ny fiovan'ny sary, feon-kira isaky ny litera voatendry, fipetrahana malefaka eo amin'ny teny nohamafisina, feo mihodinkodina, ary fiantraikany eo amin'ny fidinana sy ny logo. Hetezo tsirairay manodidina ny tampony (ny fiakarana maro dia 4 segondra). Ahena ny mozika manaraka ny fiolahana dB eo ambanin'ny karatra farany. Ampitomboy ny feo amin'ny -14 LUFS.

1. Lamba HTML iray. Ny frame tsirairay dia fiasan'ny fotoana madiodio ao anatin'ny seek(t), ary ny lohateny sy ny fanapahana rehetra dia manaraka ny teny hoe table.
2. Fitaratra: alaivo sary ny lamba ao ambadiky ny endrika, afangaro amin'ny 14px eo ho eo ho an'ny vatan'ny sary, manaova dika mitovy manjavozavo kely izay nohalehibeazina 1.06x eo ho eo ao anaty tarika 12px eo amin'ny sisiny, dia ampio ronono, famirapiratana, sisiny ary aloka.
3. Manaova "Render" miaraka amin'ny Playwright amin'ny 60fps amin'ny fampiasana "motion-blur subframes" 8, avy eo dia ampiasao ffmpeg mba hanaovana "encode".
4. Alohan'ny hampisehoanao ahy na inona na inona dia manaova takelaka fifandraisana misy ireo sary tsy mihetsika, jereo tsara ny fahasamihafan'ny frame raha misy feo mipoaka amin'ny frame tokana (ny feon-kira faha-16 ihany no mety hitsambikina), ary jereo ny tahan'ny feo-amin'ny mozika ho an'ny fehezanteny tsirairay.

Mety ho toa mibitsibitsika ny fanokafana [mafana], raha toa kosa ka mety ho toa sandoka ny [excited]. Ny boaty fanasongadinana ao ambadiky ny teny dia toa safidy lahatsoratra Windows. Raha averina amin'ny 1.0 ny fakantsary mandritra ny famindrana, dia mihetsika ny zoom. Ny fade 0.05s dia toa miseho tampoka eo no ho eo.

Angataho amiko ny hevitrao, soraty ny script, alefaso amiko ny feo 4 azonao isafidianana, dia asehoy ahy ny sary 8 alohan'ny hanaovana ny sary feno.

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.

Fanontaniana nalaina avy amin'ny paositra @rossaxbt.