Oppsett: Ora 2 bildemodell lanseringsfilm

Spør meg om: produktnavnet mitt, en pitch på én linje, logoen min, 3 til 6 skjermbilder av produktet, 40+ bilder av hva det lager (eller bilder av det), merkevarens farger og skrifttype, en ElevenLabs API-nøkkel og stemme-ID, pluss et royaltyfritt spor med en tydelig dropp (lydfilen og dropp-tidsstempelet). Hvis jeg hopper over noe, bruker jeg disse standardinnstillingene: "Ora 2", "en bildemodell laget for smak", gratis bilder fra Unsplash og Pixabay, Geist, ink #111214, stemmen Samara X (19STyYD15bswVz51nqLf) på eleven_v4, og Pixabay "Cascade Breathe" (129.83 BPM, dropp på 75.39s).

<script>
Skriv en voiceover på 9 linjer i dette formatet og tilpass hver linje til produktet mitt:
«Dette er [navn]. En [kategori]... bygget for [verdi]. [Verb] i ENHVER stil. Gi den et [innspill] – og den bare... forstår. Jo mer du bruker den, desto BEDRE blir den. Juster [innstillingen]. Dens [innstilling]. Dens [innstilling]. Hver [utgang] – akkurat slik du så det for deg. [Navn]. Ute nå.»
Bruk følelsesmessige tagger sparsomt: [mykt] på de stille linjene og [opphisset] på [verb]-linjen. Ikke tagg åpningen, og avslutt den med et vanlig punktum.
</script>

Kall ElevenLabs API direkte med nøkkelen min, uten en MCP. Generer 4 fullskript-takes i én omgang, og la meg velge. Hvis en linje ikke høres riktig ut, regenerer bare den linjen 4 ganger og skjøt den beste versjonen inn i taken min.
Forkort pauser som er lengre enn 0,28 sekunder til 0,2 sekunder, og flytt deretter hver frase 85 % mot mediannivået, og juster kun forsterkningen under pauser.
For ordtiming, del opplesningen i pauser på 100 ms eller lenger, transkriber hvert segment separat med Whisper, og juster det første ordet til den målte starten. En enkelt Whisper-omgang kan plassere ord opptil et halvt sekund for sent.

En 22 sekunder lang firkantet lanseringsfilm, 1440x1440 ved 60 fps, i stil med en lansering i et AI-laboratorium: hvitt lerret, én skrifttype, svart blekk, ekte bilder og bildetekster skrevet ord for ord i nøyaktig samme øyeblikk som de blir sagt.
Hver kontroll (ledefelt, innstillingspanel, bildetekstpiller) bruker flytende glass: mattér motivet bak det, bøy motivet langs kanten som tykt glass, og legg deretter til en toppglans, en lys kant og en myk, løftende skygge. Glasset forsvinner på vanlig hvitt, så legg til en langsom pastell-aura i merkevarefargene mine eller en uskarp forvask av bildet bak det.
Den ene fremhevet ordtyper i en gradient av merkevarefargene mine, med en svak glød bak.
Bevegelsesregler: hold kameraet i drift (flytt fra 1,0 til 1,04 per scene; når innholdet flyttes til neste scene, start ved zoomen der forrige scene sluttet). Ingenting vises umiddelbart: bruk gradvise fades på minst 0,3 sekunder. Bytt bilder på 16-dels toner, med et klikk for hver. Sett sceneskift ved frasen starter, og juster musikkdroppen med [Verb]-linjen. Ikke vis punktum på skjermen.
Utestengt: markeringsbokshøydepunkter, beat-snapped slams, hvite blink, 3D, maler.

Syv scener, tidsbestemt til stemmen:

1. «Dette er [navn]»: en kollasj av bildene mine dukker opp når navnet skrives inn i stort format, og viker deretter for kategorilinjen.
2. «laget for [verdi]»: Fullskjermsblink av mine beste bilder slår på 16-dels toner i droppen, med linjen skrevet i hvitt over dem.
3. Dråpen: en glasslinje skriver en kort ledetekst. Resultatkortet endrer stil for hver 16. note, mens en svart brikke ruller til hvert nytt navn over en miniatyrstripe.
4. «Vis et moodboard»: 9 bilder flyr inn i et 3x3-rutenett, og ring deretter inn resultatet mens «Det får deg» skrives på skjermen.
5. «Jo mer du bruker det, desto bedre blir det»: skriv to linjer, med det uthevede ordet i gradienten.
6. Innstillingene: vis et glasspanel med tre glidebrytere, som hver beveger seg etter hvert som hun navngir det. Endre fargetonen på bildet, rull nye frø på 16-deler, og gjør det deretter om til en plakat. Flytt en uskarp fargetone bak glasset synkront.
7. «Hver [utdata], nøyaktig slik du ser det»: sleng 120 av bildene mine utover fra midten bak en glasstekstpille, og bring dem deretter sammen til logoen min mens navnet skrives inn. Skriv «Ute nå» under og hold i 2 sekunder.

Erstatt ledetekstlinjen, resultatene og glidebryterne med produktets virkelige input, output og innstillinger.

Sett sangen slik at dråpen lander på [Verb]-linjen, og ankre taktnettet der.
Dekk musikken under stemmen med en 3-bånds sidekjede (lave toner 30 %, mellomtoner 85 %, luft 55 %; 0,3 sekunder hold, 50 ms fremoverblikk, 0,5 sekunder slipp). Juster deretter mellomtonene i hver frase til stemmen ligger omtrent 9 dB over musikken mellom 300 Hz og 4 kHz.
Bruk én nedlastet Mixkit SFX per hendelse, plassert etter den målte toppen: et klikk for hvert bildeskifte, en tastelyd for hver skrevet bokstav, en myk landing på det uthevede ordet, sus og støt på dråpet og logoen. Trim hver rundt toppen (mange risere er 4 sekunder). Fade musikken langs en dB-kurve under sluttkortet. Høyttalernorm til -14 LUFS.

1. Ett HTML lerret. Hver ramme er en ren funksjon av tid i seek(t), og hver bildetekst og kutt følger ordtabellen.
2. Glass: Fang lerretet bak formen, uskarp det med ca. 14 piksler for kroppen, tegn en lett uskarp kopi forstørret med ca. 1,06 ganger i et 12 pikslers bånd langs kanten, og legg deretter til melk, glans, kant og skygge.
3. Render med Playwright ved 60fps med 8 underbilder for bevegelsesuskarphet, og koder deretter med ffmpeg.
4. Før du viser meg noe, lag et kontaktskjema med stillbilder, skann bildeforskjeller for pop i enkeltbilder (bare løpene på 16. note kan hoppe), og sjekk forholdet mellom stemme og musikk for hver frase.

En [varm] åpning kan høres hvisket ut, mens [spent] kan føles falsk. En uthevingsboks bak et ord ser ut som et tekstvalg i Windows. Hvis kameraet tilbakestilles til 1.0 under en overlevering, stopper zoomen. En fade på 0,05 sekunder ser ut som et øyeblikkelig pop-in.

Be meg om innspill, skriv manuset, send meg fire stemmeopptak å velge mellom, og vis meg deretter åtte stillbilder før den fullstendige renderen.

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.

Spørsmål hentet fra stolpe @rossaxbt.