सेटअप गर्दै: ओरा २ इमेज मोडेल लन्च फिल्म

मलाई सोध्नुहोस्: मेरो उत्पादनको नाम, एक-लाइन पिच, मेरो लोगो, उत्पादनको ३ देखि ६ स्क्रिनसटहरू, यसले सिर्जना गर्ने कुराहरूको ४०+ छविहरू (वा यसको फोटोहरू), मेरो ब्रान्ड रङहरू र फन्ट, ElevenLabs API कुञ्जी र भ्वाइस ID, साथै स्पष्ट ड्रप (अडियो फाइल र ड्रप टाइमस्ट्याम्प) भएको रोयल्टी-मुक्त ट्र्याक। यदि मैले केहि छोडें भने, यी पूर्वनिर्धारितहरू प्रयोग गर्नुहोस्: "Ora 2", "स्वादको लागि बनाइएको छवि मोडेल", Unsplash र Pixabay बाट नि:शुल्क छविहरू, Geist, ink #111214, eleven_v4 मा आवाज Samara X (19STyYD15bswVz51nqLf), र Pixabay "Cascade Breathe" (१२९.८३ BPM, ७५.३९ सेकेन्डमा ड्रप)।

<script>
यस ढाँचामा ९-लाइनको भ्वाइसओभर लेख्नुहोस् र प्रत्येक लाइनलाई मेरो उत्पादनमा अनुकूलित गर्नुहोस्:
"यो [नाम] हो। एउटा [श्रेणी]... [मान] को लागि निर्मित। [क्रियापद] कुनै पनि शैलीमा। यसलाई [इनपुट] दिनुहोस् - र यसले... बुझ्छ। तपाईंले यसलाई जति धेरै प्रयोग गर्नुहुन्छ, यो त्यति नै राम्रो हुँदै जान्छ। यसको [सेटिङ] समायोजन गर्नुहोस्। यो [सेटिङ] हो। यो [सेटिङ] हो। प्रत्येक [आउटपुट] - तपाईंले चित्रण गर्नुभएको जस्तै। [नाम]। अब बाहिर।"
भावना ट्यागहरू कम प्रयोग गर्नुहोस्: [नरम रूपमा] शान्त रेखाहरूमा र [क्रिया] रेखामा [उत्साहित]। सुरुवाती रेखालाई ट्याग नगर्नुहोस्, र यसलाई सादा पूर्णविरामले अन्त्य गर्नुहोस्।
</script>

MCP बिना नै मेरो कुञ्जी प्रयोग गरेर सिधै ElevenLabs API मा कल गर्नुहोस्। एउटा पासमा ४ वटा पूर्ण-स्क्रिप्ट टेकहरू उत्पन्न गर्नुहोस् र मलाई छनौट गर्न दिनुहोस्। यदि कुनै लाइन ठीकसँग सुनिएन भने, त्यो लाइनलाई ४ पटक पुन: उत्पन्न गर्नुहोस् र मेरो टेकमा उत्तम संस्करण जोड्नुहोस्।
०.२८ सेकेन्ड भन्दा लामो पजहरूलाई ०.२ सेकेन्डमा छोटो पार्नुहोस्, त्यसपछि प्रत्येक वाक्यांशलाई ८५% बाटो मध्य स्तर तिर लैजानुहोस्, पजको समयमा मात्र लाभ समायोजन गर्नुहोस्।
शब्द समयको लागि, १०० मिलिसेकेन्ड वा सोभन्दा लामो पजमा पठनलाई विभाजित गर्नुहोस्, प्रत्येक खण्डलाई ह्विस्परको साथ छुट्टाछुट्टै ट्रान्सक्राइब गर्नुहोस्, र यसको पहिलो शब्दलाई मापन गरिएको सुरुवातमा पङ्क्तिबद्ध गर्नुहोस्। एकल ह्विस्पर पासले शब्दहरूलाई आधा सेकेन्ड ढिलोसम्म राख्न सक्छ।

एआई ल्याब लन्चको शैलीमा, १४४०x१४४० मा ६०fps मा २२ सेकेन्डको वर्ग लन्च फिल्म: सेतो क्यानभास, एउटा टाइपफेस, कालो मसी, वास्तविक छविहरू, र क्याप्सनहरू बोलिएको समयमा शब्द-शब्द टाइप गरिएका।
प्रत्येक नियन्त्रण (प्रम्प्ट बार, सेटिङ प्यानल, क्याप्सन पिल) ले तरल गिलास प्रयोग गर्दछ: यसको पछाडिको दृश्यलाई फ्रस्ट गर्नुहोस्, त्यो दृश्यलाई बाक्लो गिलास जस्तै किनारामा मोड्नुहोस्, त्यसपछि माथिल्लो चमक, उज्यालो रिम र नरम लिफ्ट छाया थप्नुहोस्। गिलास सादा सेतोमा गायब हुन्छ, त्यसैले मेरो ब्रान्ड रङहरूमा ढिलो पेस्टल आभा थप्नुहोस् वा यसको पछाडिको फोटोको धमिलो धुलाई थप्नुहोस्।
एउटाले मेरो ब्रान्डको रङको ग्रेडियन्टमा शब्द टाइपहरूलाई जोड दियो, जसको पछाडि हल्का चमक थियो।
गति नियमहरू: क्यामेरालाई ड्रिफ्टिङ राख्नुहोस् (प्रति दृश्य १.० बाट १.०४ मा धकेल्नुहोस्; जब सामग्री अर्को दृश्यमा सर्छ, अघिल्लो दृश्य समाप्त भएको जुमबाट सुरु गर्नुहोस्)। केही पनि तुरुन्तै देखा पर्दैन: कम्तिमा ०.३ सेकेन्डको सहज फेडहरू प्रयोग गर्नुहोस्। १६ औं नोटहरूमा छविहरू परिवर्तन गर्नुहोस्, प्रत्येकको लागि एक क्लिकको साथ। वाक्यांश सुरु हुँदा दृश्य परिवर्तनहरू ल्यान्ड गर्नुहोस्, र संगीत ड्रपलाई [क्रिया] लाइनसँग पङ्क्तिबद्ध गर्नुहोस्। स्क्रिनमा पूर्णविराम नदेखाउनुहोस्।
प्रतिबन्धित: छनोट-बक्स हाइलाइटहरू, बीट-स्न्याप्ड स्ल्यामहरू, सेतो फ्ल्यासहरू, थ्रीडी, टेम्प्लेटहरू।

आवाज अनुसार समयबद्ध सात दृश्यहरू:

१. "यो [नाम] हो": नाम ठूलो आकारमा टाइप गर्दा मेरा तस्बिरहरूको कोलाज बाहिर निस्कन्छ, त्यसपछि श्रेणी रेखामा जान्छ।
२. "made for [value]": मेरा उत्कृष्ट तस्बिरहरूको पूर्ण-स्क्रिन फ्ल्यासहरू १६ औं नोटहरूलाई ड्रपमा स्विच गर्नुहोस्, तिनीहरूमाथि सेतो रंगमा लाइन टाइप गर्नुहोस्।
३. ड्रप: एउटा गिलास प्रम्प्ट बारले छोटो प्रम्प्ट टाइप गर्छ। नतिजा कार्डले प्रत्येक १६ औं नोटमा शैली परिवर्तन गर्छ, जबकि थम्बनेल स्ट्रिप माथि प्रत्येक नयाँ नाममा कालो शैलीको चिप रोल हुन्छ।
४. "यसलाई मुडबोर्ड देखाउनुहोस्": ९ वटा तस्बिरहरू ३x३ ग्रिडमा उड्छन्, त्यसपछि स्क्रिनमा "यसले तपाईंलाई प्राप्त गर्छ" टाइप गरे अनुसार परिणामलाई घेरा लगाउँछन्।
५. "तपाईंले यसलाई जति धेरै प्रयोग गर्नुहुन्छ, यो त्यति नै राम्रो हुँदै जान्छ": ग्रेडियन्टमा जोड दिइएको शब्द राखेर दुई लाइनहरू टाइप गर्नुहोस्।
६. सेटिङहरू: ३ वटा स्लाइडर भएको गिलास प्यानल देखाउनुहोस्, प्रत्येक स्लाइडरले नाम दिएअनुसार चल्छ। छविको रंग परिवर्तन गर्नुहोस्, १६ औं भागमा नयाँ बीउहरू रोल गर्नुहोस्, त्यसपछि यसलाई पोस्टरमा परिणत गर्नुहोस्। सिङ्कमा गिलास पछाडि यसको रङहरूको धमिलो धुलाई सार्नुहोस्।
७. "हरेक [आउटपुट], तपाईंले यसलाई कसरी हेर्नुहुन्छ भन्ने कुरा ठीक छ": गिलास क्याप्शन पिल पछाडिको बीचबाट मेरा १२० वटा तस्बिरहरू बाहिर फ्याँक्नुहोस्, त्यसपछि नाम टाइप गर्दा तिनीहरूलाई मेरो लोगोमा सँगै ल्याउनुहोस्। "अब बाहिर निस्कनुहोस्" तल राख्नुहोस् र २ सेकेन्डसम्म होल्ड गर्नुहोस्।

मेरो उत्पादनको वास्तविक इनपुट, आउटपुट र सेटिङहरूले प्रम्प्ट बार, नतिजा र स्लाइडरहरू बदल्नुहोस्।

गीतलाई यसरी सेट गर्नुहोस् कि ड्रप [क्रिया] लाइनमा अवतरण हुन्छ, र त्यहाँ बीट ग्रिडलाई एङ्कर गर्नुहोस्।
३-ब्यान्ड साइडचेन (न्यूनतम ३०%, मध्य ८५%, हावा ५५%; ०.३ सेकेन्ड होल्ड, ५० मिलिसेकेन्ड लुक-अहेड, ०.५ सेकेन्ड रिलिज) प्रयोग गरेर आवाज मुनि संगीत डक गर्नुहोस्। त्यसपछि प्रत्येक वाक्यांशको मध्य भागहरू समायोजन गर्नुहोस् जबसम्म आवाज ३०० हर्ट्ज र ४ किलोहर्ट्ज बीचको संगीत भन्दा लगभग ९ डीबी माथि हुँदैन।
प्रत्येक कार्यक्रममा एउटा डाउनलोड गरिएको Mixkit SFX प्रयोग गर्नुहोस्, यसको मापन गरिएको शिखर अनुसार राखिएको: प्रत्येक छवि परिवर्तनको लागि एक क्लिक, प्रत्येक टाइप गरिएको अक्षरको लागि एक कुञ्जी ध्वनि, जोड दिइएको शब्दमा नरम अवतरण, whooshes, र ड्रप र लोगोमा प्रभावहरू। प्रत्येकलाई यसको शिखर वरिपरि ट्रिम गर्नुहोस् (धेरै राइजरहरू ४ सेकेन्डका छन्)। अन्त्य कार्ड मुनि dB कर्भको साथ संगीत फेड गर्नुहोस्। Loudnorm -१४ LUFS मा।

१. एउटा HTML क्यानभास। प्रत्येक फ्रेम seek(t) भित्र समयको शुद्ध प्रकार्य हो, र प्रत्येक क्याप्सन र कटले शब्द तालिकालाई पछ्याउँछ।
२. गिलास: आकारको पछाडिको क्यानभास खिच्नुहोस्, यसलाई लगभग १४ पिक्सेल बडीको लागि धमिलो पार्नुहोस्, किनारामा १२ पिक्सेल ब्यान्डमा लगभग १.०६x म्याग्निफाइ गरिएको हल्का धमिलो प्रतिलिपि कोर्नुहोस्, त्यसपछि दूध, चमक, रिम र छायाँ थप्नुहोस्।
३. ८ मोशन-ब्लर सबफ्रेमहरू प्रयोग गरेर ६०fps मा Playwright रेन्डर गर्नुहोस्, त्यसपछि ffmpeg सँग इन्कोड गर्नुहोस्।
४. मलाई केहि देखाउनु अघि, स्थिर चित्रहरूको सम्पर्क पाना बनाउनुहोस्, एकल-फ्रेम पपहरूको लागि फ्रेम भिन्नताहरू स्क्यान गर्नुहोस् (केवल १६ औं-नोट रनहरू उफ्रिन सक्छन्), र प्रत्येक वाक्यांशको लागि आवाज-देखि-संगीत अनुपात जाँच गर्नुहोस्।

[न्यानो] ओपनरले फुसफुसाएको आवाज निकाल्न सक्छ, जबकि [उत्साहित] नक्कली महसुस गर्न सक्छ। शब्द पछाडिको हाइलाइट बक्स विन्डोज टेक्स्ट चयन जस्तो देखिन्छ। ह्यान्डअफको समयमा क्यामेरा १.० मा रिसेट भयो भने, जुम स्न्याप हुन्छ। ०.०५ सेकेन्डको फेड तत्काल पप-इन जस्तो देखिन्छ।

मलाई इनपुटहरू सोध्नुहोस्, स्क्रिप्ट लेख्नुहोस्, मलाई छनौट गर्न ४ वटा भ्वाइस टेकहरू पठाउनुहोस्, त्यसपछि पूर्ण रेन्डर हुनुभन्दा पहिले मलाई ८ वटा स्टिलहरू देखाउनुहोस्।

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.

बाट लिइएको प्रोम्प्ट पोस्ट @rossaxbt.