സജ്ജീകരിക്കുന്നു: ഓറ 2 ഇമേജ് മോഡൽ ലോഞ്ച് ഫിലിം

എന്നോട് ചോദിക്കൂ: എന്റെ ഉൽപ്പന്ന നാമം, ഒരു വൺ-ലൈൻ പിച്ച്, എന്റെ ലോഗോ, ഉൽപ്പന്നത്തിന്റെ 3 മുതൽ 6 വരെ സ്ക്രീൻഷോട്ടുകൾ, അത് സൃഷ്ടിക്കുന്നതിന്റെ 40+ ചിത്രങ്ങൾ (അല്ലെങ്കിൽ അതിന്റെ ഫോട്ടോകൾ), എന്റെ ബ്രാൻഡ് നിറങ്ങളും ഫോണ്ടും, ഒരു ElevenLabs API കീയും വോയ്‌സ് ഐഡിയും, കൂടാതെ വ്യക്തമായ ഡ്രോപ്പുള്ള റോയൽറ്റി രഹിത ട്രാക്കും (ഓഡിയോ ഫയലും ഡ്രോപ്പ് ടൈംസ്റ്റാമ്പും). ഞാൻ എന്തെങ്കിലും ഒഴിവാക്കുകയാണെങ്കിൽ, ഈ ഡിഫോൾട്ടുകൾ ഉപയോഗിക്കുക: "Ora 2", "രുചിക്കായി നിർമ്മിച്ച ഒരു ഇമേജ് മോഡൽ", Unsplash, Pixabay എന്നിവയിൽ നിന്നുള്ള സൗജന്യ ചിത്രങ്ങൾ, Geist, ink #111214, eleven_v4-ലെ Samara X (19STyYD15bswVz51nqLf), Pixabay "Cascade Breathe" (129.83 BPM, 75.39s-ൽ ഡ്രോപ്പ്).

<script>
ഈ ഫോർമാറ്റിൽ ഒരു 9-വരി വോയ്‌സ്‌ഓവർ എഴുതുക, ഓരോ വരിയും എന്റെ ഉൽപ്പന്നത്തിന് അനുയോജ്യമാക്കുക:
"ഇത് [പേര്] ആണ്. ഒരു [വിഭാഗം]... [മൂല്യം] [ക്രിയ] എന്നതിന് വേണ്ടി ഏത് ശൈലിയിലും നിർമ്മിച്ചതാണ്. അതിന് ഒരു [ഇൻപുട്ട്] നൽകുക - അത്... മനസ്സിലാക്കുന്നു. നിങ്ങൾ അത് കൂടുതൽ ഉപയോഗിക്കുന്തോറും അത് മെച്ചപ്പെടും. അതിന്റെ [ക്രമീകരണം] ക്രമീകരിക്കുക. അതിന്റെ [ക്രമീകരണം]. അതിന്റെ [ക്രമീകരണം]. ഓരോ [ഔട്ട്‌പുട്ടും] - നിങ്ങൾ ചിത്രീകരിച്ചതുപോലെ തന്നെ. [പേര്]. ഇപ്പോൾ പുറത്തിറങ്ങി."
വികാരപരമായ ടാഗുകൾ മിതമായി ഉപയോഗിക്കുക: ശാന്തമായ വരികളിൽ [മൃദുവായി] എന്നും [ക്രിയ] വരിയിൽ [ആവേശത്തോടെ] എന്നും. ഓപ്പണർ ടാഗ് ചെയ്യരുത്, ഒരു പ്ലെയിൻ ഫുൾസ്റ്റോപ്പിൽ അത് അവസാനിപ്പിക്കുക.
</script>

ഒരു MCP ഇല്ലാതെ, എന്റെ കീ ഉപയോഗിച്ച് നേരിട്ട് ElevenLabs API-യിലേക്ക് വിളിക്കുക. ഒരു പാസിൽ 4 പൂർണ്ണ-സ്ക്രിപ്റ്റ് ടേക്കുകൾ ജനറേറ്റ് ചെയ്യുക, ഞാൻ തിരഞ്ഞെടുക്കട്ടെ. ഒരു ലൈൻ ശരിയായി ശബ്‌ദിക്കുന്നില്ലെങ്കിൽ, ആ ലൈൻ മാത്രം 4 തവണ പുനരുജ്ജീവിപ്പിച്ച് എന്റെ ടേക്കിലേക്ക് ഏറ്റവും മികച്ച പതിപ്പ് സ്‌പ്ലൈസ് ചെയ്യുക.
0.28 സെക്കൻഡിൽ കൂടുതൽ ദൈർഘ്യമുള്ള വിരാമങ്ങൾ 0.2 സെക്കൻഡായി ചുരുക്കുക, തുടർന്ന് ഓരോ വാക്യത്തിന്റെയും 85% മീഡിയൻ ലെവലിലേക്ക് കൊണ്ടുവരിക, വിരാമങ്ങളിൽ മാത്രം നേട്ടം ക്രമീകരിക്കുക.
പദ സമയക്രമീകരണത്തിന്, 100ms അല്ലെങ്കിൽ അതിൽ കൂടുതൽ ഇടവേളകളിൽ വായന വിഭജിക്കുക, ഓരോ സെഗ്‌മെന്റും Whisper ഉപയോഗിച്ച് പ്രത്യേകം ട്രാൻസ്‌ക്രൈബ് ചെയ്യുക, അതിന്റെ ആദ്യ വാക്ക് അളന്ന ആരംഭവുമായി വിന്യസിക്കുക. ഒരൊറ്റ Whisper പാസിന് വാക്കുകൾ അര സെക്കൻഡ് വരെ വൈകി സ്ഥാപിക്കാൻ കഴിയും.

ഒരു AI ലാബ് ലോഞ്ചിന്റെ ശൈലിയിൽ, 60fps-ൽ 1440x1440 എന്ന 22 സെക്കൻഡ് ദൈർഘ്യമുള്ള ഒരു സ്ക്വയർ ലോഞ്ച് ഫിലിം: വെളുത്ത ക്യാൻവാസ്, ഒരു ടൈപ്പ്ഫേസ്, കറുത്ത മഷി, യഥാർത്ഥ ചിത്രങ്ങൾ, സംസാരിക്കുന്ന സമയത്ത് വാക്ക് വാക്ക് ടൈപ്പ് ചെയ്ത അടിക്കുറിപ്പുകൾ.
എല്ലാ നിയന്ത്രണങ്ങളും (പ്രോംപ്റ്റ് ബാർ, സെറ്റിംഗ്സ് പാനൽ, ക്യാപ്ഷൻ പിൽ) ലിക്വിഡ് ഗ്ലാസ് ഉപയോഗിക്കുന്നു: പിന്നിലെ സീൻ ഫ്രോസ്റ്റ് ചെയ്യുക, കട്ടിയുള്ള ഗ്ലാസ് പോലെ ആ സീൻ അരികിലൂടെ വളയ്ക്കുക, തുടർന്ന് ഒരു ടോപ്പ് ഷീൻ, തിളക്കമുള്ള റിം, സോഫ്റ്റ് ലിഫ്റ്റ് ഷാഡോ എന്നിവ ചേർക്കുക. പ്ലെയിൻ വൈറ്റ് നിറത്തിൽ ഗ്ലാസ് അപ്രത്യക്ഷമാകുന്നു, അതിനാൽ എന്റെ ബ്രാൻഡ് നിറങ്ങളിൽ ഒരു സ്ലോ പാസ്റ്റൽ ഓറ ചേർക്കുക അല്ലെങ്കിൽ അതിന് പിന്നിലെ ഫോട്ടോയുടെ ഒരു ബ്ലർഡ് വാഷ് ചേർക്കുക.
എന്റെ ബ്രാൻഡ് നിറങ്ങളുടെ ഗ്രേഡിയന്റിൽ പദ തരങ്ങൾക്ക് പ്രാധാന്യം നൽകിയ ഒന്ന്, പിന്നിൽ ഒരു നേരിയ തിളക്കം ഉണ്ടായിരുന്നു.
ചലന നിയമങ്ങൾ: ക്യാമറ ഡ്രിഫ്റ്റിംഗ് നിലനിർത്തുക (ഓരോ സീനിലും 1.0 മുതൽ 1.04 വരെ പുഷ് ചെയ്യുക; ഉള്ളടക്കം അടുത്ത സീനിലേക്ക് നീങ്ങുമ്പോൾ, മുൻ സീൻ അവസാനിച്ച സൂമിൽ ആരംഭിക്കുക). ഒന്നും തൽക്ഷണം ദൃശ്യമാകില്ല: കുറഞ്ഞത് 0.3 സെക്കൻഡിന്റെ എളുപ്പമുള്ള ഫേഡുകൾ ഉപയോഗിക്കുക. 16-ാമത്തെ നോട്ടുകളിലെ ചിത്രങ്ങൾ ഓരോന്നിനും ഒരു ക്ലിക്കിലൂടെ മാറ്റുക. വാക്യം ആരംഭിക്കുമ്പോൾ ലാൻഡ് സീൻ മാറ്റങ്ങൾ, [ക്രിയ] ലൈനിനൊപ്പം മ്യൂസിക് ഡ്രോപ്പ് വിന്യസിക്കുക. സ്ക്രീനിൽ പൂർണ്ണ സ്റ്റോപ്പുകൾ കാണിക്കരുത്.
നിരോധിച്ചിരിക്കുന്നു: സെലക്ഷൻ-ബോക്സ് ഹൈലൈറ്റുകൾ, ബീറ്റ്-സ്നാപ്പ്ഡ് സ്ലാമുകൾ, വൈറ്റ് ഫ്ലാഷുകൾ, 3D, ടെംപ്ലേറ്റുകൾ.

ശബ്ദത്തിനായി സമയബന്ധിതമായി നിശ്ചയിച്ച ഏഴ് രംഗങ്ങൾ:

1. "ഇതാണ് [പേര്]": പേര് വലിയ അളവിൽ ടൈപ്പ് ചെയ്യുമ്പോൾ എന്റെ ചിത്രങ്ങളുടെ ഒരു കൊളാഷ് പുറത്തേക്ക് ഒഴുകി, പിന്നീട് കാറ്റഗറി ലൈനിലേക്ക് വഴിമാറുന്നു.
2. "[മൂല്യത്തിനായി] നിർമ്മിച്ചത്": എന്റെ ഏറ്റവും മികച്ച ചിത്രങ്ങളുടെ പൂർണ്ണ സ്‌ക്രീൻ ഫ്ലാഷുകൾ 16-ാമത്തെ കുറിപ്പുകൾ ഡ്രോപ്പിലേക്ക് മാറ്റുന്നു, അവയ്ക്ക് മുകളിൽ വെള്ള നിറത്തിൽ ടൈപ്പ് ചെയ്‌തിരിക്കുന്ന വരി.
3. ഡ്രോപ്പ്: ഒരു ഗ്ലാസ് പ്രോംപ്റ്റ് ബാർ ഒരു ചെറിയ പ്രോംപ്റ്റ് ടൈപ്പ് ചെയ്യുന്നു. ഓരോ 16-ാമത്തെ നോട്ടിലും റിസൾട്ട് കാർഡ് സ്റ്റൈൽ മാറ്റുന്നു, അതേസമയം ഒരു കറുത്ത സ്റ്റൈൽ ചിപ്പ് ഒരു തംബ്‌നെയിൽ സ്ട്രിപ്പിന് മുകളിലുള്ള ഓരോ പുതിയ പേരിലേക്കും ഉരുളുന്നു.
4. "ഒരു മൂഡ്‌ബോർഡ് കാണിക്കുക": 9 ചിത്രങ്ങൾ ഒരു 3x3 ഗ്രിഡിലേക്ക് പറന്ന്, തുടർന്ന് സ്‌ക്രീനിൽ "ഇത് നിങ്ങളെ ആകർഷിക്കുന്നു" എന്ന് ടൈപ്പ് ചെയ്യുന്ന രീതിയിൽ ഫലം വൃത്തമാക്കുക.
5. "നിങ്ങൾ അത് കൂടുതൽ ഉപയോഗിക്കുന്തോറും അത് മികച്ചതാകും": ഗ്രേഡിയന്റിൽ ഊന്നിപ്പറഞ്ഞ വാക്ക് ചേർത്ത് രണ്ട് വരികൾ ടൈപ്പ് ചെയ്യുക.
6. ക്രമീകരണങ്ങൾ: 3 സ്ലൈഡറുകളുള്ള ഒരു ഗ്ലാസ് പാനൽ കാണിക്കുക, ഓരോന്നും അവൾ പേര് നൽകുമ്പോൾ ചലിക്കുന്നു. ചിത്രത്തിന്റെ നിറം മാറ്റുക, 16-ാം തീയതി പുതിയ വിത്തുകൾ ഉരുട്ടുക, തുടർന്ന് അത് ഒരു പോസ്റ്ററാക്കി മാറ്റുക. ഗ്ലാസിന് പിന്നിൽ അതിന്റെ നിറങ്ങളുടെ ഒരു മങ്ങിയ വാഷ് സമന്വയത്തിൽ മാറ്റുക.
7. "എല്ലാ [ഔട്ട്‌പുട്ടും], നിങ്ങൾ അത് എങ്ങനെ കാണുന്നു എന്നതിന് കൃത്യമായി": ഒരു ഗ്ലാസ് ക്യാപ്ഷൻ ഗുളികയുടെ പിന്നിൽ മധ്യഭാഗത്ത് നിന്ന് എന്റെ 120 ചിത്രങ്ങൾ പുറത്തേക്ക് പൊട്ടിക്കുക, തുടർന്ന് പേര് ടൈപ്പ് ചെയ്യുമ്പോൾ അവയെ എന്റെ ലോഗോയിലേക്ക് ഒരുമിച്ച് കൊണ്ടുവരിക. "ഇപ്പോൾ ഔട്ട്" അടിയിൽ ഇട്ട് 2 സെക്കൻഡ് പിടിക്കുക.

പ്രോംപ്റ്റ് ബാർ, ഫലങ്ങൾ, സ്ലൈഡറുകൾ എന്നിവ എന്റെ ഉൽപ്പന്നത്തിന്റെ യഥാർത്ഥ ഇൻപുട്ട്, ഔട്ട്പുട്ടുകൾ, ക്രമീകരണങ്ങൾ എന്നിവ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക.

ഡ്രോപ്പ് [ക്രിയ] ലൈനിൽ എത്തുന്ന തരത്തിൽ പാട്ട് സജ്ജമാക്കുക, ബീറ്റ് ഗ്രിഡ് അവിടെ ഉറപ്പിക്കുക.
3-ബാൻഡ് സൈഡ്‌ചെയിൻ ഉപയോഗിച്ച് (കുറഞ്ഞത് 30%, മിഡ്‌സ് 85%, എയർ 55%; 0.3സെക്കൻഡ് ഹോൾഡ്, 50എംഎസ് ലുക്ക്-അഹെഡ്, 0.5സെക്കൻഡ് റിലീസ്) ശബ്ദത്തിനടിയിൽ സംഗീതം ഒതുക്കുക. തുടർന്ന്, 300 ഹെർട്‌സിനും 4 കിലോ ഹെർട്‌സിനും ഇടയിൽ സംഗീതത്തിന് ഏകദേശം 9 ഡെസിബി മുകളിൽ ശബ്ദം ഇരിക്കുന്നതുവരെ ഓരോ വാക്യത്തിന്റെയും മിഡുകൾ ക്രമീകരിക്കുക.
ഓരോ ഇവന്റിലും ഡൗൺലോഡ് ചെയ്‌ത ഒരു Mixkit SFX ഉപയോഗിക്കുക, അതിന്റെ അളന്ന പീക്ക് അനുസരിച്ച് സ്ഥാനം നൽകുക: ഓരോ ഇമേജ് മാറ്റത്തിനും ഒരു ക്ലിക്ക്, ടൈപ്പ് ചെയ്‌ത ഓരോ അക്ഷരത്തിനും ഒരു കീ ശബ്‌ദം, ഊന്നിപ്പറഞ്ഞ വാക്കിൽ ഒരു സോഫ്റ്റ് ലാൻഡിംഗ്, ഹൂഷ്, ഡ്രോപ്പിലും ലോഗോയിലും ഉണ്ടാകുന്ന ആഘാതങ്ങൾ. ഓരോന്നും അതിന്റെ പീക്കിന് ചുറ്റും ട്രിം ചെയ്യുക (പല റീസറുകളും 4 സെക്കൻഡാണ്). എൻഡ് കാർഡിന് കീഴിലുള്ള ഒരു dB കർവിലൂടെ സംഗീതം മങ്ങിക്കുക. ലൗഡ്‌നോം -14 LUFS ലേക്ക് മാറ്റുക.

1. ഒരു HTML ക്യാൻവാസ്. ഓരോ ഫ്രെയിമും seek(t)-നുള്ളിലെ സമയത്തിന്റെ പൂർണ്ണമായ ഒരു പ്രവർത്തനമാണ്, കൂടാതെ ഓരോ അടിക്കുറിപ്പും കട്ടും വേഡ് ടേബിളിനെ പിന്തുടരുന്നു.
2. ഗ്ലാസ്: ആകൃതിക്ക് പിന്നിലുള്ള ക്യാൻവാസ് പകർത്തുക, ബോഡിക്ക് ഏകദേശം 14px മങ്ങിക്കുക, അരികിലൂടെ 12px ബാൻഡിൽ ഏകദേശം 1.06x വലുതാക്കി നേരിയ മങ്ങിയ ഒരു പകർപ്പ് വരയ്ക്കുക, തുടർന്ന് മിൽക്ക്, ഷീൻ, റിം, ഷാഡോ എന്നിവ ചേർക്കുക.
3. 8 മോഷൻ-ബ്ലർ സബ്ഫ്രെയിമുകൾ ഉപയോഗിച്ച് Playwright ഉപയോഗിച്ച് 60fps-ൽ റെൻഡർ ചെയ്യുക, തുടർന്ന് ffmpeg ഉപയോഗിച്ച് എൻകോഡ് ചെയ്യുക.
4. എന്തെങ്കിലും കാണിക്കുന്നതിനു മുമ്പ്, സ്റ്റില്ലുകളുടെ ഒരു കോൺടാക്റ്റ് ഷീറ്റ് ഉണ്ടാക്കുക, സിംഗിൾ-ഫ്രെയിം പോപ്പുകൾക്കായി ഫ്രെയിം വ്യത്യാസങ്ങൾ സ്കാൻ ചെയ്യുക (16-ാം നോട്ട് റൺസുകൾ മാത്രം ചാടിയേക്കാം), കൂടാതെ ഓരോ വാക്യത്തിനും വോയ്‌സ്-ടു-മ്യൂസിക് അനുപാതം പരിശോധിക്കുക.

[ഊഷ്മളമായി] തുറക്കുമ്പോൾ ഒരു ശബ്ദം മന്ത്രിച്ചുകൊണ്ട് കേൾക്കാം, അതേസമയം [ആവേശഭരിതനായി] തുറക്കുമ്പോൾ ഒരു വ്യാജ ശബ്ദം പോലെ തോന്നാം. ഒരു വാക്കിന് പിന്നിലുള്ള ഹൈലൈറ്റ് ബോക്സ് ഒരു വിൻഡോസ് ടെക്സ്റ്റ് സെലക്ഷൻ പോലെ കാണപ്പെടുന്നു. ഹാൻഡ്ഓഫ് സമയത്ത് ക്യാമറ 1.0 ലേക്ക് പുനഃസജ്ജമാക്കുകയാണെങ്കിൽ, സൂം സ്നാപ്പ് ചെയ്യുന്നു. 0.05 സെക്കൻഡ് ഫേഡ് ഒരു തൽക്ഷണ പോപ്പ്-ഇൻ പോലെ കാണപ്പെടുന്നു.

എന്നോട് ഇൻപുട്ടുകൾ ചോദിക്കൂ, സ്ക്രിപ്റ്റ് എഴുതൂ, തിരഞ്ഞെടുക്കാൻ 4 വോയ്‌സ് ടേക്കുകൾ അയയ്ക്കൂ, തുടർന്ന് പൂർണ്ണ റെൻഡർ ചെയ്യുന്നതിന് മുമ്പ് 8 സ്റ്റില്ലുകൾ കാണിക്കൂ.

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.

നിർദ്ദേശം എടുത്തത് പോസ്റ്റ് @rossaxbt.