စနစ်ထည့်သွင်းခြင်း: Ora 2 ပုံရိပ် မော်ဒယ်လ် မိတ်ဆက်ပွဲ ရုပ်ရှင်

ကျွန်တော့်ကို မေးပါ- ကျွန်တော့်ရဲ့ ထုတ်ကုန်အမည်၊ တစ်ကြောင်းတည်းသော pitch၊ ကျွန်တော့်ရဲ့ logo၊ ထုတ်ကုန်ရဲ့ screenshot ၃ ခုမှ ၆ ခု၊ ၎င်းဖန်တီးထားတဲ့ ပုံ ၄၀+ (သို့မဟုတ် ၎င်းရဲ့ ဓာတ်ပုံများ)၊ ကျွန်တော့်ရဲ့ brand အရောင်နဲ့ font၊ ElevenLabs API key နဲ့ voice ID၊ clear drop ပါတဲ့ royalty-free track (အသံဖိုင်နဲ့ drop timestamp)။ တစ်ခုခုကို ကျော်သွားရင် ဒီ default တွေကို သုံးပါ- "Ora 2", "အရသာအတွက် ပြုလုပ်ထားတဲ့ image model", Unsplash နဲ့ Pixabay က အခမဲ့ပုံတွေ၊ Geist, ink #111214, eleven_v4 မှာ Samara X (19STyYD15bswVz51nqLf) ရဲ့ voice နဲ့ Pixabay "Cascade Breathe" (129.83 BPM, 75.39s မှာ drop)။

<script>
ဤပုံစံဖြင့် စာကြောင်း ၉ ကြောင်းပါ အသံထွက်စာအုပ်တစ်အုပ်ရေးပြီး စာကြောင်းတိုင်းကို ကျွန်ုပ်၏ထုတ်ကုန်နှင့် လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ပါ။
"ဒါက [အမည်] ပါ။ [အမျိုးအစား]... [တန်ဖိုး] အတွက် တည်ဆောက်ထားပါတယ်။ [ကြိယာ] ကို မည်သည့်စတိုင်ဖြင့်မဆို ထည့်ပါ။ [ထည့်သွင်းမှု] ပေးလိုက်ပါ - ၎င်းက... နားလည်ပါတယ်။ သင်ပိုသုံးလေ ပိုကောင်းလေပါပဲ။ ၎င်း၏ [ဆက်တင်] ကို ချိန်ညှိပါ။ ၎င်း၏ [ဆက်တင်]။ ၎င်း၏ [ဆက်တင်]။ [အထွက်] တိုင်း - သင်မြင်ယောင်ထားသည့်အတိုင်း တစ်ထပ်တည်းကျပါစေ။ [အမည်]။ ယခုထွက်ရှိပါပြီ။"
စိတ်ခံစားမှု တဂ်တွေကို ချွေတာစွာသုံးပါ- တိတ်ဆိတ်တဲ့စာကြောင်းတွေမှာ [softly] နဲ့ [Verb] စာကြောင်းမှာ [excited]။ အဖွင့်စာကို တဂ်မလုပ်ဘဲ ရိုးရိုး full stop နဲ့ အဆုံးသတ်ပါ။
</script>

MCP မပါဘဲ ကျွန်တော့်ရဲ့ key ကိုသုံးပြီး ElevenLabs API ကို တိုက်ရိုက်ခေါ်ပါ။ တစ်ကြိမ်တည်းမှာ full-script takes ၄ ခုကို generate လုပ်ပြီး ကျွန်တော့်ကို ရွေးချယ်ခွင့်ပေးပါ။ စာကြောင်းတစ်ကြောင်းက မမှန်ဘူးဆိုရင် အဲဒီစာကြောင်းကို ၄ ကြိမ်ပဲ regenerate လုပ်ပြီး အကောင်းဆုံး version ကို ကျွန်တော့်ရဲ့ take ထဲ ထည့်ပေးလိုက်ပါ။
၀.၂၈ စက္ကန့်ထက်ကြာသော ခေတ္တရပ်မှုများကို ၀.၂ စက္ကန့်အထိ တိုအောင်လုပ်ပါ၊ ထို့နောက် စကားစုတစ်ခုစီကို အလယ်အလတ်အဆင့်သို့ ၈၅% ယူဆောင်လာပါ၊ ခေတ္တရပ်မှုများအတွင်းသာ အမြတ်ကို ချိန်ညှိပါ။
စကားလုံးအချိန်ကိုက်မှုအတွက်၊ ဖတ်ရှုခြင်းကို 100ms သို့မဟုတ် ထို့ထက်ပိုသော ခေတ္တရပ်နားမှုများတွင် ပိုင်းခြားပါ၊ Whisper ဖြင့် အပိုင်းတစ်ခုစီကို သီးခြားစီ မှတ်တမ်းတင်ပါ၊ ထို့နောက် ၎င်း၏ပထမဆုံးစကားလုံးကို တိုင်းတာထားသော အစနှင့် ချိန်ညှိပါ။ Whisper pass တစ်ခုတည်းသည် စကားလုံးများကို စက္ကန့်ဝက်အထိ နောက်ကျစေနိုင်သည်။

AI ဓာတ်ခွဲခန်း လွှတ်တင်မှုပုံစံဖြင့် ၂၂ စက္ကန့်ကြာ စတုရန်းပစ်လွှတ်မှုရုပ်ရှင်၊ 1440x1440 ဖြင့် 60fps၊ အဖြူရောင်ကင်းဗတ်စ်၊ ဖောင့်တစ်ခု၊ မင်မည်း၊ ရုပ်ပုံအစစ်အမှန်များနှင့် ၎င်းတို့ကို ပြောသည့်အချိန်တွင် တစ်လုံးချင်းစီ ရိုက်နှိပ်ထားသော စာတန်းများ။
ထိန်းချုပ်မှုတိုင်း (prompt bar၊ settings panel၊ caption pill) သည် အရည်ဖန်ကို အသုံးပြုသည်- နောက်ကွယ်ရှိ မြင်ကွင်းကို frost လုပ်ပါ၊ ထိုမြင်ကွင်းကို ထူထဲသောဖန်ကဲ့သို့ အစွန်းတစ်လျှောက် ကွေးပါ၊ ထို့နောက် အပေါ်ယံတောက်ပြောင်မှု၊ တောက်ပသောအနားသတ်နှင့် နူးညံ့သောမြှင့်တင်ထားသော အရိပ်ထည့်ပါ။ မှန်သည် ရိုးရိုးအဖြူရောင်ပေါ်တွင် ပျောက်ကွယ်သွားသောကြောင့် ကျွန်ုပ်၏ brand အရောင်များတွင် ဖြည်းဖြည်းချင်း pastel aura သို့မဟုတ် နောက်ကွယ်ရှိ ဓာတ်ပုံကို မှုန်ဝါးစေသော ဆေးကြောခြင်းကို ထည့်ပါ။
တစ်ခုကတော့ ကျွန်တော့်ရဲ့ brand အရောင်တွေရဲ့ gradient မှာ စကားလုံးအမျိုးအစားတွေကို အလေးပေးဖော်ပြထားပြီး နောက်ကွယ်မှာ မှိန်ဖျော့ဖျော့ အလင်းရောင်တစ်ခု ပါဝင်ပါတယ်။
ရွေ့လျားမှုစည်းမျဉ်းများ- ကင်မရာကို ရွေ့လျားနေအောင်ထားပါ (မြင်ကွင်းတစ်ခုလျှင် ၁.၀ မှ ၁.၀၄ သို့ တွန်းပါ။ အကြောင်းအရာသည် နောက်မြင်ကွင်းသို့ ရွှေ့သွားသောအခါ၊ ယခင်မြင်ကွင်းပြီးဆုံးသွားသည့် zoom မှစတင်ပါ)။ ဘာမှချက်ချင်းမပေါ်ပါ- အနည်းဆုံး ၀.၃ စက္ကန့်ကြာ eased fades များကို အသုံးပြုပါ။ ၁၆ မှတ်စုများတွင် ရုပ်ပုံများကို ပြောင်းလဲပါ၊ တစ်ခုချင်းစီအတွက် ကလစ်တစ်ချက်နှိပ်ပါ။ စကားစုစတင်ချိန်တွင် မြင်ကွင်းပြောင်းလဲမှုများကို land လုပ်ပြီး တေးဂီတ drop ကို [Verb] လိုင်းနှင့် ချိန်ညှိပါ။ မျက်နှာပြင်ပေါ်တွင် full stops မပြပါနှင့်။
ပိတ်ပင်ထားသည်- ရွေးချယ်ထားသောအကွက်၏ အဓိကအချက်များ၊ စည်းချက်ဖြင့် ရိုက်ခတ်သော အသံများ၊ အဖြူရောင်အလင်းများ၊ 3D၊ တင်းပလိတ်များ။

အသံဖြင့် အချိန်ကိုက် ရိုက်ကူးထားသော မြင်ကွင်းခုနစ်ခု-

၁။ "[ဤသည်မှာ] ဖြစ်သည်": ကျွန်ုပ်၏ပုံများ၏ စုစည်းမှုတစ်ခုသည် အမည်ကို အကြီးကြီးရိုက်ထည့်သည်နှင့်အမျှ ပေါ်လာပြီးနောက် အမျိုးအစားလိုင်းသို့ ရောက်သွားပါသည်။
၂။ "[တန်ဖိုး] အတွက် ပြုလုပ်ထားသည်": ကျွန်ုပ်၏ အကောင်းဆုံးပုံများ၏ မျက်နှာပြင်အပြည့် အလင်းပြန်မှုများသည် drop ထဲသို့ ၁၆ ခုမြောက် မှတ်စုများတွင် ပွင့်လာပြီး ၎င်းတို့အပေါ်တွင် အဖြူရောင်ဖြင့် ရေးထားသော မျဉ်းကြောင်းရှိသည်။
၃။ drop: ဖန် prompt bar သည် prompt တိုတိုတစ်ခုကို ရိုက်ပေးသည်။ ရလဒ်ကတ်သည် ၁၆ ချက်မြောက်တိုင်းတွင် ပုံစံပြောင်းသွားပြီး၊ အနက်ရောင်စတိုင်ချစ်ပ်သည် thumbnail strip အထက်ရှိ အမည်အသစ်တစ်ခုစီသို့ လှိမ့်သွားသည်။
၄။ "moodboard တစ်ခုပြပါ": ပုံ ၉ ပုံသည် 3x3 grid ထဲသို့ ပေါ်လာပြီးနောက် ရလဒ်ကို မျက်နှာပြင်ပေါ်တွင် "It gets you" ဟူသော စာရိုက်များအဖြစ် ဝိုင်းပါ။
၅။ "သင်ပိုမိုအသုံးပြုလေ၊ ၎င်းသည် ပိုကောင်းလေဖြစ်သည်": gradient တွင် အလေးပေးဖော်ပြထားသော စကားလုံးဖြင့် စာကြောင်းနှစ်ကြောင်း ရိုက်ထည့်ပါ။
၆။ ဆက်တင်များ- သူမပြောသည့်အတိုင်း ရွေ့လျားနေသော ဆလိုက်ဒါ ၃ ခုပါသည့် မှန်ပြားတစ်ခုကို ပြသထားသည်။ ပုံ၏အရောင်ကို ပြောင်းလဲပါ၊ ၁၆ ခုမြောက်တွင် အစေ့အသစ်များ လှိမ့်ပါ၊ ထို့နောက် ပိုစတာအဖြစ် ပြောင်းလဲပါ။ မှန်နောက်ကွယ်တွင် ၎င်း၏အရောင်များ၏ မှုန်ဝါးနေသော ဆေးကြောခြင်းကို တစ်ပြိုင်နက်တည်း ရွှေ့ပါ။
၇။ "[အထွက်] တစ်ခုချင်းစီ၊ သင်မြင်တဲ့အတိုင်း"- ကျွန်ုပ်၏ပုံ ၁၂၀ ကို ဖန်စာတန်းထိုးဆေးပြားနောက်ဘက်မှ အလယ်ဗဟိုမှ အပြင်သို့ ထုတ်ပါ၊ ထို့နောက် အမည်ပေါ်လာသည်နှင့်အမျှ ကျွန်ုပ်၏လိုဂိုထဲသို့ ပေါင်းစပ်ပါ။ အောက်တွင် "ယခုထွက်ပါ" ကိုထည့်ပြီး ၂ စက္ကန့်ကြာ ဖိထားပါ။

prompt bar၊ results နဲ့ sliders တွေကို ကျွန်တော့်ရဲ့ product ရဲ့ တကယ့် input၊ output နဲ့ setting တွေနဲ့ အစားထိုးလိုက်ပါ။

သီချင်းကို [Verb] လိုင်းပေါ်မှာ သီချင်းသံ ကျသွားအောင် ထားပြီး beat grid ကို အဲဒီမှာ ချိတ်ဆွဲပါ။
3-band sidechain (အနိမ့်ဆုံး 30%၊ အလယ်အလတ် 85%၊ လေ 55%၊ 0.3s hold၊ 50ms look-ahead၊ 0.5s release) ဖြင့် ဂီတကို အသံအောက်တွင် ငုံ့ထားပါ။ ထို့နောက် အသံသည် 300 Hz နှင့် 4 kHz အကြားရှိ ဂီတထက် 9 dB ခန့် မြင့်တက်သည်အထိ စကားစုတစ်ခုစီ၏ အလယ်အလတ်များကို ချိန်ညှိပါ။
ဒေါင်းလုဒ်လုပ်ထားသော Mixkit SFX တစ်ခုကို ပွဲတစ်ခုလျှင် ၎င်း၏တိုင်းတာထားသော အမြင့်ဆုံးအထွတ်အထိပ်အလိုက် နေရာချထားပါ- ရုပ်ပုံပြောင်းလဲမှုတစ်ခုစီအတွက် ကလစ်တစ်ချက်၊ ရိုက်ထားသောစာလုံးတစ်ခုစီအတွက် ခလုတ်အသံတစ်ခု၊ အလေးပေးဖော်ပြထားသော စကားလုံးပေါ်တွင် ညင်သာစွာဆင်းသက်သံ၊ whooshes နှင့် drop နှင့် logo ပေါ်တွင် သက်ရောက်မှုများ။ ၎င်း၏အမြင့်ဆုံးအထွတ်အထိပ်ပတ်လည်တွင် တစ်ခုစီကို ဖြတ်ထုတ်ပါ (riser အများစုမှာ ၄ စက္ကန့်ဖြစ်သည်)။ တေးဂီတကို အဆုံးကတ်အောက်ရှိ dB မျဉ်းကွေးတစ်လျှောက် မှေးမှိန်စေပါ။ Loudnorm ကို -14 LUFS သို့ ထားပါ။

၁။ HTML ပတ္တူတစ်ခု။ seek(t) အတွင်းရှိ frame တိုင်းသည် အချိန်၏ သန့်စင်သော function တစ်ခုဖြစ်ပြီး၊ caption နှင့် cut တိုင်းသည် word table နောက်တွင် ရှိသည်။
၂။ ဖန်: ပုံသဏ္ဍာန်နောက်ကွယ်ရှိ ပတ္တူကို ရိုက်ကူးပါ၊ ကိုယ်ထည်အတွက် 14px ခန့် မှုန်ဝါးအောင်လုပ်ပါ၊ အစွန်းတစ်လျှောက် 12px ဘောင်ဖြင့် 1.06x ခန့် ချဲ့ထားသော အနည်းငယ်မှုန်ဝါးနေသော မိတ္တူကို ဆွဲပါ၊ ထို့နောက် နို့၊ တောက်ပြောင်မှု၊ အနားသတ်နှင့် အရိပ်တို့ကို ထည့်ပါ။
၃။ motion-blur subframe ၈ ခုကို အသုံးပြု၍ Playwright ဖြင့် 60fps ဖြင့် Render လုပ်ပြီးနောက် ffmpeg ဖြင့် encode လုပ်ပါ။
၄။ ဘာမှမပြခင်မှာ ဓာတ်ပုံတွေရဲ့ contact sheet တစ်ခုလုပ်ပြီး single-frame pop တွေအတွက် frame ကွာခြားချက်တွေကို scan ဖတ်ပါ (၁၆ မှတ်စုတွေသာ ခုန်နိုင်ပါတယ်)၊ ပြီးတော့ စကားစုတိုင်းအတွက် အသံနဲ့ ဂီတအချိုးကို စစ်ဆေးပါ။

[နွေးထွေးစွာ] ဖွင့်ဆိုချက်က တိုးတိုးလေးပြောသလို ထင်ရပေမယ့် [စိတ်လှုပ်ရှားတယ်] ကတော့ အတုအယောင်လို့ ခံစားရနိုင်ပါတယ်။ စကားလုံးတစ်လုံးနောက်က highlight box က Windows စာသားရွေးချယ်မှုတစ်ခုနဲ့ တူပါတယ်။ handoff လုပ်နေချိန်မှာ ကင်မရာက 1.0 ကို reset လုပ်ရင် zoom ရပ်သွားပါတယ်။ 0.05 စက္ကန့်ကြာ မှိန်သွားတာက ချက်ချင်း pop-in လုပ်သလို ထင်ရပါတယ်။

ထည့်သွင်းချက်တွေကို ကျွန်တော့်ကို တောင်းပါ၊ ဇာတ်ညွှန်းရေးပါ၊ ရွေးချယ်စရာ အသံယူ ၄ ခု ပို့ပါ၊ ပြီးရင် အပြည့်အစုံ render မလုပ်ခင် ဓာတ်ပုံ ၈ ပုံ ပြပါ။

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.

မှ ရယူထားသော သတိပေးချက် ပို့စ် @rossaxbt.