सेटअप करणे: ओरा २ इमेज मॉडेल लाँच फिल्म

माझ्याकडे खालील गोष्टी मागा: माझ्या उत्पादनाचे नाव, एक-ओळीतील सादरीकरण, माझा लोगो, उत्पादनाचे ३ ते ६ स्क्रीनशॉट्स, ते काय तयार करते याच्या ४०+ प्रतिमा (किंवा त्याचे फोटो), माझ्या ब्रँडचे रंग आणि फॉन्ट, एक ElevenLabs API की आणि व्हॉइस आयडी, तसेच स्पष्ट ड्रॉप असलेला एक रॉयल्टी-फ्री ट्रॅक (ऑडिओ फाइल आणि ड्रॉपचा टाइमस्टॅम्प). जर मी काही वगळले, तर हे डीफॉल्ट वापरा: "Ora 2", "अभिरुचीनुसार बनवलेले एक इमेज मॉडेल", Unsplash आणि Pixabay वरील मोफत प्रतिमा, Geist, ink #111214, eleven_v4 वरील आवाज Samara X (19STyYD15bswVz51nqLf), आणि Pixabay वरील "Cascade Breathe" (129.83 BPM, 75.39s वर ड्रॉप).

<script>
या फॉरमॅटमध्ये ९ ओळींचा व्हॉइसओव्हर लिहा आणि प्रत्येक ओळ माझ्या उत्पादनानुसार जुळवून घ्या:
हे आहे [नाव]. एक [श्रेणी]... जे [मूल्य] साठी बनवले आहे. कोणत्याही शैलीतील [क्रियापद]. याला [इनपुट] द्या - आणि ते फक्त... समजून घेते. तुम्ही याचा जितका जास्त वापर कराल, तितके ते अधिक चांगले होईल. याची [सेटिंग] बदला. याची [सेटिंग]. याची [सेटिंग]. प्रत्येक [आउटपुट] - अगदी तुम्ही कल्पना केल्याप्रमाणे. [नाव]. आता बाहेर.
भावनादर्शक शब्दांचा वापर जपून करा: शांत ओळींवर [हळूवारपणे] आणि [क्रियापद] असलेल्या ओळीवर [उत्साहित] वापरा. वाक्याच्या सुरुवातीला शब्दचिन्ह लावू नका आणि वाक्याच्या शेवटी साधा पूर्णविराम द्या.
</script>

MCP शिवाय, माझी की वापरून थेट ElevenLabs API ला कॉल करा. एकाच पासमध्ये ४ संपूर्ण-स्क्रिप्ट टेक्स तयार करा आणि मला निवडू द्या. जर एखादी ओळ योग्य वाटत नसेल, तर फक्त तीच ओळ ४ वेळा पुन्हा तयार करा आणि त्यातील सर्वोत्तम आवृत्ती माझ्या टेकमध्ये जोडा.
०.२८ सेकंदांपेक्षा जास्त लांबीचे विराम ०.२ सेकंदांपर्यंत कमी करा, त्यानंतर फक्त विरामांच्या वेळी गेन समायोजित करून प्रत्येक वाक्यांश मध्यक पातळीच्या ८५% पर्यंत आणा.
शब्दांच्या वेळेसाठी, १०० मिलीसेकंद किंवा त्याहून अधिक कालावधीच्या विरामांवर वाचन विभाजित करा, प्रत्येक भागाचे 'व्हिस्पर' वापरून स्वतंत्रपणे लिप्यंतरण करा आणि त्यातील पहिला शब्द मोजलेल्या आरंभबिंदूशी जुळवा. 'व्हिस्पर'च्या एकाच फेरीमुळे शब्द अर्ध्या सेकंदापर्यंत उशिरा येऊ शकतात.

एआय लॅबच्या लाँचच्या शैलीतील, २२ सेकंदांचा एक चौरस लाँच चित्रपट, १४४०x१४४०, ६०fps: पांढरा कॅनव्हास, एकच फॉन्ट, काळी शाई, वास्तविक चित्रे आणि शब्द उच्चारले जात असतानाच शब्दशः टाईप केलेली शीर्षके.
प्रत्येक कंट्रोल (प्रॉम्प्ट बार, सेटिंग्ज पॅनल, कॅप्शन पिल) लिक्विड ग्लासचा वापर करतो: त्याच्या मागील दृश्यावर धूसरपणा आणा, त्या दृश्याला जाड काचेप्रमाणे कडेने वाकवा, आणि मग वरून एक चमक, चमकदार कडा व सौम्य उठावाची सावली जोडा. साध्या पांढऱ्या रंगावर काच अदृश्य होते, म्हणून माझ्या ब्रँडच्या रंगांमध्ये एक मंद पेस्टल आभा किंवा त्याच्या मागील फोटोचा एक अस्पष्ट थर जोडा.
माझ्या ब्रँडच्या रंगांच्या ग्रेडियंटमध्ये एक शब्द टाइप केला आहे, ज्याच्या मागे एक मंद चमक आहे.
हालचालीचे नियम: कॅमेरा सरकत ठेवा (प्रत्येक सीनसाठी १.० ते १.०४ पर्यंत वाढवा; जेव्हा कंटेंट पुढच्या सीनमध्ये जातो, तेव्हा आधीचा सीन जिथे संपला होता तिथून झूम सुरू करा). काहीही त्वरित दिसत नाही: किमान ०.३ सेकंदांचे हळूवार फेड्स वापरा. प्रत्येक १६व्या नोटवर प्रतिमा बदला, त्यासाठी एक क्लिक करा. वाक्यांशाच्या सुरुवातीला सीन बदल करा आणि संगीताचा ड्रॉप [क्रियापद] ओळीशी जुळवा. स्क्रीनवर पूर्णविराम दाखवू नका.
प्रतिबंधित: सिलेक्शन-बॉक्स हायलाइट्स, बीट-स्नॅप्ड स्लॅम्स, पांढरे फ्लॅशेस, 3D, टेम्पलेट्स.

आवाजाच्या तालावर जुळवलेली सात दृश्ये:

१. "हे [नाव] आहे": नाव मोठ्या अक्षरात टाईप होताच माझ्या प्रतिमांचा एक कोलाज समोर येतो, आणि मग त्याची जागा श्रेणीच्या ओळीने घेतली.
२. "[मूल्य] साठी बनवलेले": माझ्या सर्वोत्तम प्रतिमांचे पूर्ण-स्क्रीन फ्लॅश ड्रॉपमध्ये १६व्या नोटवर स्विच होतात, आणि त्यांच्यावर पांढऱ्या रंगात ओळ टाइप केलेली असते.
३. ड्रॉप: एक काचेची प्रॉम्प्ट बार एक छोटी सूचना टाईप करते. प्रत्येक १६व्या नोटनंतर रिझल्ट कार्डची शैली बदलते, त्याच वेळी थंबनेल पट्टीच्या वर प्रत्येक नवीन नावाकडे एक काळी स्टाईल चिप घरंगळत जाते.
४. "त्याला मूडबोर्ड दाखवा": ९ प्रतिमा ३x३ ग्रिडमध्ये येतात, त्यानंतर स्क्रीनवर "इट गेट्स यू" असे टाइप होत असताना परिणामाला गोल करा.
५. "जितका जास्त वापर कराल, तितके ते अधिक चांगले होईल": दोन ओळी लिहा, ज्यात जोर दिलेला शब्द ग्रेडियंटमध्ये असेल.
६. सेटिंग्ज: ३ स्लायडर्स असलेले एक काचेचे पॅनल दाखवा, ती नाव घेईल तसे प्रत्येक स्लायडर सरकेल. प्रतिमेची रंगछटा बदला, सोळाव्या भागावर नवीन बिया लाटा, आणि मग त्याचे पोस्टर बनवा. काचेच्या मागे त्याच्या रंगांची एक अस्पष्ट छटा समकालिकपणे सरकवा.
७. "प्रत्येक [आउटपुट], जसे तुम्हाला दिसते तसे": एका काचेच्या कॅप्शन पिलच्या मागे, माझ्या १२० प्रतिमा मध्यभागातून बाहेरच्या दिशेने पसरवा, आणि नाव टाईप होत असताना त्यांना एकत्र आणून माझा लोगो बनवा. त्याखाली "आता उपलब्ध" (Out now) लिहा आणि २ सेकंद दाबून ठेवा.

प्रॉम्प्ट बार, रिझल्ट्स आणि स्लायडर्सच्या जागी माझ्या प्रॉडक्टचे खरे इनपुट, आउटपुट आणि सेटिंग्स ठेवा.

गाण्याची सेटिंग अशी करा की ड्रॉप [क्रियापद] ओळीवर येईल, आणि बीट ग्रिड तिथे स्थिर करा.
3-बँड साइडचेन वापरून संगीताला आवाजाखाली आणा (लोज 30%, मिड्स 85%, एअर 55%; 0.3s होल्ड, 50ms लुक-अहेड, 0.5s रिलीज). त्यानंतर, 300 Hz आणि 4 kHz च्या दरम्यान आवाज संगीतापेक्षा सुमारे 9 dB वर येईपर्यंत प्रत्येक फ्रेजचे मिड्स समायोजित करा.
प्रत्येक इव्हेंटसाठी एक डाउनलोड केलेला मिक्सकिट SFX वापरा, जो त्याच्या मोजलेल्या पीकनुसार स्थित असेल: प्रत्येक इमेज बदलासाठी एक क्लिक, प्रत्येक टाइप केलेल्या अक्षरासाठी एक की साउंड, जोर दिलेल्या शब्दावर एक सॉफ्ट लँडिंग, ड्रॉप आणि लोगोवर व्हूश आणि इम्पॅक्ट्स. प्रत्येकाला त्याच्या पीकच्या आसपास ट्रिम करा (बरेच रायझर्स ४ सेकंदांचे असतात). एंड कार्डच्या खाली एका dB कर्व्हनुसार संगीत हळूहळू फेड करा. लाउडनॉर्म -१४ LUFS वर सेट करा.

१. एक HTML कॅनव्हास. seek(t) मध्ये प्रत्येक फ्रेम ही वेळेवर अवलंबून असते आणि प्रत्येक कॅप्शन व कट हे वर्ड टेबलनुसार येतात.
२. काच: आकाराच्या मागे असलेला कॅनव्हास कॅप्चर करा, मुख्य भागासाठी त्याला सुमारे १४px ब्लर करा, कडेच्या बाजूने १२px च्या पट्टीत सुमारे १.०६x मोठी करून हलकी ब्लर केलेली एक प्रत काढा, नंतर दूध, चमक, कडा आणि सावली जोडा.
3. Playwright वापरून 60fps वर 8 मोशन-ब्लर सबफ्रेमसह रेंडर करा, नंतर ffmpeg सह एन्कोड करा.
४. मला काहीही दाखवण्यापूर्वी, स्थिर चित्रांची एक कॉन्टॅक्ट शीट बनवा, सिंगल-फ्रेम पॉप्ससाठी फ्रेममधील फरक स्कॅन करा (फक्त १६व्या-नोटच्या मालिकांमध्येच उडी मारली जाऊ शकते), आणि प्रत्येक वाक्यांशासाठी आवाज-संगीताचे गुणोत्तर तपासा.

आपुलकीने केलेली सुरुवात कुजबुजल्यासारखी वाटू शकते, तर उत्साहाने केलेली सुरुवात बनावट वाटू शकते. शब्दामागील हायलाइट बॉक्स विंडोज टेक्स्ट सिलेक्शनसारखा दिसतो. हँडऑफ दरम्यान कॅमेरा १.० वर रीसेट झाल्यास, झूम झटपट होतो. ०.०५ सेकंदांचा फेड हा एका क्षणात पॉप-इन झाल्यासारखा दिसतो.

माझ्याकडून सूचना मागा, स्क्रिप्ट लिहा, निवडण्यासाठी मला ४ व्हॉइस टेक्स पाठवा, आणि मग पूर्ण रेंडर करण्यापूर्वी मला ८ स्टिल्स दाखवा.

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.

येथून घेतलेले प्रॉम्प्ट पोस्ट @rossaxbt.