ଓରା 2 ଇମେଜ୍ ମଡେଲ୍ ଲଞ୍ଚ୍ ଫିଲ୍ମ

ମୋତେ ପଚାରନ୍ତୁ: ମୋର ଉତ୍ପାଦ ନାମ, ଏକ ଧାଡି ପିଚ୍, ମୋର ଲୋଗୋ, ଉତ୍ପାଦର 3 ରୁ 6 ସ୍କ୍ରିନସଟ୍, ଏହା ଯାହା ସୃଷ୍ଟି କରେ ତାହାର 40+ ପ୍ରତିଛବି (କିମ୍ବା ଏହାର ଫଟୋ), ମୋର ବ୍ରାଣ୍ଡ ରଙ୍ଗ ଏବଂ ଫଣ୍ଟ, ଏକ ElevenLabs API କୀ ଏବଂ ଭଏସ୍ ID, ଏବଂ ଏକ ସ୍ପଷ୍ଟ ଡ୍ରପ୍ ସହିତ ଏକ ରୟାଲ୍ଟି-ମୁକ୍ତ ଟ୍ରାକ୍ (ଅଡିଓ ଫାଇଲ୍ ଏବଂ ଡ୍ରପ୍ ଟାଇମଷ୍ଟାମ୍ପ)। ଯଦି ମୁଁ କିଛି ବାଦ୍ ଦିଏ, ତେବେ ଏହି ଡିଫଲ୍ଟଗୁଡ଼ିକ ବ୍ୟବହାର କରନ୍ତୁ: "Ora 2", "ସ୍ୱାଦୁ ପାଇଁ ତିଆରି ଏକ ପ୍ରତିଛବି ମଡେଲ୍", Unsplash ଏବଂ Pixabay ରୁ ମାଗଣା ପ୍ରତିଛବି, Geist, ink #111214, eleven_v4 ରେ Samara X (19STyYD15bswVz51nqLf) ଭଏସ୍, ଏବଂ Pixabay "Cascade Breathe" (129.83 BPM, 75.39s ରେ ଡ୍ରପ୍)।

<script>
ଏହି ଫର୍ମାଟରେ ଏକ 9-ଧାଡିର ଭଏସ୍ଓଭର ଲେଖନ୍ତୁ ଏବଂ ପ୍ରତ୍ୟେକ ଧାଡିକୁ ମୋର ଉତ୍ପାଦ ସହିତ ଖାପ ଖୁଆଇ ଦିଅନ୍ତୁ:
"ଏହା [ନାମ]। ଏକ [ବର୍ଗ]... [ମୂଲ୍ୟ] ପାଇଁ ନିର୍ମିତ। [କ୍ରିୟା] ଯେକୌଣସି ଶୈଳୀରେ। ଏହାକୁ ଏକ [ଇନପୁଟ୍] ଦିଅନ୍ତୁ - ଏବଂ ଏହା କେବଳ... ବୁଝିପାରେ। ତୁମେ ଏହାକୁ ଯେତେ ଅଧିକ ବ୍ୟବହାର କରିବ, ଏହା ସେତେ ଭଲ ହେବ। ଏହାର [ସେଟିଂ] ଆଡଜଷ୍ଟ କରନ୍ତୁ। ଏହା [ସେଟିଂ]। ଏହା [ସେଟିଂ]। ପ୍ରତ୍ୟେକ [ଆଉଟପୁଟ୍] - ଠିକ୍ ଯେପରି ତୁମେ ଏହାକୁ ଚିତ୍ରିତ କରିଥିଲ। [ନାମ]। ଏବେ ବାହାର।"
ଭାବନା ଟ୍ୟାଗ୍‌ଗୁଡ଼ିକୁ କମ୍ ବ୍ୟବହାର କରନ୍ତୁ: [ନରମ ଭାବରେ] ନୀରବ ଧାଡିରେ ଏବଂ [କ୍ରିୟା] ଧାଡିରେ [ଉତ୍ସାହିତ]। ଆରମ୍ଭକାରୀକୁ ଟ୍ୟାଗ୍ କରନ୍ତୁ ନାହିଁ, ଏବଂ ଏହାକୁ ଏକ ସାଦା ପୂର୍ଣ୍ଣବିରାମ ସହିତ ଶେଷ କରନ୍ତୁ।
</script>

ମୋ କୀ ବ୍ୟବହାର କରି ସିଧାସଳଖ ElevenLabs API କୁ କଲ୍ କରନ୍ତୁ, MCP ବିନା। ଗୋଟିଏ ପାସରେ 4ଟି ପୂର୍ଣ୍ଣ-ସ୍କ୍ରିପ୍ଟ ଟେକ୍ ସୃଷ୍ଟି କରନ୍ତୁ ଏବଂ ମୋତେ ବାଛିବାକୁ ଦିଅନ୍ତୁ। ଯଦି ଏକ ଧାଡି ଠିକ୍ ଶବ୍ଦ କରୁନାହିଁ, ତେବେ ସେହି ଧାଡିକୁ 4 ଥର ପୁନଃନିର୍ମାଣ କରନ୍ତୁ ଏବଂ ମୋର ଟେକ୍ ସହିତ ସର୍ବୋତ୍ତମ ସଂସ୍କରଣକୁ ସ୍ପ୍ଲାଇସ୍ କରନ୍ତୁ।
୦.୨୮ ସେକେଣ୍ଡରୁ ଅଧିକ ସମୟ ପାଇଁ ବିରତିକୁ ୦.୨ ସେକେଣ୍ଡ ପର୍ଯ୍ୟନ୍ତ ଛୋଟ କରନ୍ତୁ, ତାପରେ ପ୍ରତ୍ୟେକ ବାକ୍ୟାଂଶକୁ ୮୫% ମଧ୍ୟମା ସ୍ତର ଆଡ଼କୁ ଆଣନ୍ତୁ, କେବଳ ବିରତି ସମୟରେ ଲାଭକୁ ଆଡଜଷ୍ଟ କରନ୍ତୁ।
ଶବ୍ଦ ସମୟ ପାଇଁ, 100 ମିଲିସେକେଣ୍ଡ କିମ୍ବା ତା'ଠାରୁ ଅଧିକ ସମୟ ବିରାମରେ ପଠନକୁ ବିଭାଜିତ କରନ୍ତୁ, ପ୍ରତ୍ୟେକ ଅଂଶକୁ ହ୍ୱିସପର୍ ସହିତ ପୃଥକ ଭାବରେ ଟ୍ରାନ୍ସକ୍ରିପ୍ କରନ୍ତୁ, ଏବଂ ଏହାର ପ୍ରଥମ ଶବ୍ଦକୁ ମାପ କରାଯାଇଥିବା ଆରମ୍ଭ ସହିତ ସଜାନ୍ତୁ। ଗୋଟିଏ ହ୍ୱିସପର୍ ପାସ୍ ଶବ୍ଦଗୁଡ଼ିକୁ ଅଧ ସେକେଣ୍ଡ ବିଳମ୍ବ ପର୍ଯ୍ୟନ୍ତ ରଖିପାରିବ।

ଏକ 22-ସେକେଣ୍ଡ ବର୍ଗାକାର ଲଞ୍ଚ ଫିଲ୍ମ, 1440x1440 ରେ 60fps, ଏକ AI ଲ୍ୟାବ ଲଞ୍ଚ ଶୈଳୀରେ: ଧଳା କାନଭାସ୍, ଗୋଟିଏ ଟାଇପ୍ଫେସ୍, କଳା କାଳି, ପ୍ରକୃତ ପ୍ରତିଛବି, ଏବଂ କ୍ୟାପସନଗୁଡ଼ିକ ଠିକ୍ ସମୟରେ ଶବ୍ଦ ପରେ ଶବ୍ଦ ଟାଇପ୍ କରାଯାଇଛି।
ପ୍ରତ୍ୟେକ ନିୟନ୍ତ୍ରଣ (ପ୍ରମ୍ପ୍ଟ ବାର୍, ସେଟିଂସ୍ ପ୍ୟାନେଲ୍, କ୍ୟାପସନ୍ ପିଲ୍) ତରଳ କାଚ ବ୍ୟବହାର କରେ: ଏହାର ପଛ ଦୃଶ୍ୟକୁ ଫ୍ରଷ୍ଟ କରନ୍ତୁ, ସେହି ଦୃଶ୍ୟକୁ ଘନ କାଚ ପରି ଧାର ସହିତ ବଙ୍କା କରନ୍ତୁ, ତାପରେ ଏକ ଉପର ଚମକ, ଉଜ୍ଜ୍ୱଳ ରିମ୍ ଏବଂ ନରମ ଲିଫ୍ଟ ଛାୟା ଯୋଡନ୍ତୁ। କାଚ ସାଦା ଧଳା ଉପରେ ଅଦୃଶ୍ୟ ହୋଇଯାଏ, ତେଣୁ ମୋର ବ୍ରାଣ୍ଡ ରଙ୍ଗରେ ଏକ ଧୀର ପାଷ୍ଟେଲ୍ ଆଭା ଯୋଡନ୍ତୁ କିମ୍ବା ଏହା ପଛରେ ଫଟୋର ଏକ ଅସ୍ପଷ୍ଟ ଧୋଇ ଦିଅନ୍ତୁ।
ମୋ ବ୍ରାଣ୍ଡ ରଙ୍ଗର ଗ୍ରେଡିଏଣ୍ଟରେ ଶବ୍ଦ ଟାଇପ୍ ଉପରେ ଗୁରୁତ୍ୱ ଦେଇଥିବା ଗୋଟିଏ, ତା' ପଛରେ ଏକ ମୃଦୁ ଚମକ ଥିଲା।
ଗତି ନିୟମ: କ୍ୟାମେରାକୁ ଡ୍ରିଫ୍ଟିଂ ରଖନ୍ତୁ (ପ୍ରତି ଦୃଶ୍ୟକୁ 1.0 ରୁ 1.04 ପର୍ଯ୍ୟନ୍ତ ଠେଲି ଦିଅନ୍ତୁ; ଯେତେବେଳେ ବିଷୟବସ୍ତୁ ପରବର୍ତ୍ତୀ ଦୃଶ୍ୟକୁ ସ୍ଥାନାନ୍ତରିତ ହୁଏ, ପୂର୍ବ ଦୃଶ୍ୟ ଯେଉଁଠାରେ ଶେଷ ହୋଇଥିଲା ସେହି ଜୁମ୍ ରୁ ଆରମ୍ଭ କରନ୍ତୁ)। କିଛି ତୁରନ୍ତ ଦେଖାଯାଏ ନାହିଁ: ଅତି କମରେ 0.3 ସେକେଣ୍ଡର ଇଜିଡ୍ ଫେଡ୍ ବ୍ୟବହାର କରନ୍ତୁ। ପ୍ରତ୍ୟେକ ପାଇଁ ଏକ କ୍ଲିକ୍ ସହିତ 16ତମ ନୋଟରେ ପ୍ରତିଛବି ପରିବର୍ତ୍ତନ କରନ୍ତୁ। ବାକ୍ୟାଂଶ ଆରମ୍ଭ ହେବା ସମୟରେ ଲ୍ୟାଣ୍ଡ ଦୃଶ୍ୟ ପରିବର୍ତ୍ତନ କରନ୍ତୁ, ଏବଂ [କ୍ରିୟା] ଧାଡି ସହିତ ସଂଗୀତ ଡ୍ରପ୍ ସଜାନ୍ତୁ। ସ୍କ୍ରିନରେ ପୂର୍ଣ୍ଣଚ୍ଛେଦ ଦେଖାନ୍ତୁ ନାହିଁ।
ନିଷିଦ୍ଧ: ଚୟନ-ବାକ୍ସ ହାଇଲାଇଟ୍ସ, ବିଟ୍-ସ୍ନାପ୍ଡ ସ୍ଲାମ୍ସ, ଧଳା ଫ୍ଲାସ୍, 3D, ଟେମ୍ପଲେଟ୍ସ।

ସ୍ୱର ସହିତ ସମୟବଦ୍ଧ ସାତଟି ଦୃଶ୍ୟ:

୧. "ଏହା [ନାମ]": ନାମ ବଡ଼ ଆକାରରେ ଟାଇପ୍ ହେବା ସହିତ ମୋର ଚିତ୍ରଗୁଡ଼ିକର ଏକ କୋଲାଜ୍ ବାହାରକୁ ଚାଲିଯାଏ, ତା'ପରେ ବର୍ଗ ଧାଡିକୁ ବାଟ ଦିଏ।
2. "made for [value]": ମୋର ସର୍ବୋତ୍ତମ ପ୍ରତିଛବିଗୁଡ଼ିକର ପୂର୍ଣ୍ଣ-ସ୍କ୍ରିନ୍ ଫ୍ଲାସ୍ 16ତମ ନୋଟ୍ସକୁ ଡ୍ରପ୍‌ରେ ସ୍ୱିଚ୍ କରନ୍ତୁ, ସେମାନଙ୍କ ଉପରେ ଧଳା ରଙ୍ଗରେ ଟାଇପ୍ କରନ୍ତୁ।
3. ଡ୍ରପ୍: ଏକ ଗ୍ଲାସ୍ ପ୍ରମ୍ପ୍ଟ ବାର୍ ଏକ ଛୋଟ ପ୍ରମ୍ପ୍ଟ ଟାଇପ୍ କରେ। ଫଳାଫଳ କାର୍ଡ ପ୍ରତି 16ତମ ନୋଟରେ ଷ୍ଟାଇଲ୍ ପରିବର୍ତ୍ତନ କରେ, ଯେତେବେଳେ ଏକ କଳା ଷ୍ଟାଇଲ୍ ଚିପ୍ ଏକ ଥମ୍ବନେଲ୍ ଷ୍ଟ୍ରିପ୍ ଉପରେ ପ୍ରତ୍ୟେକ ନୂତନ ନାମକୁ ରୋଲ୍ କରେ।
4. "ଏହାକୁ ଏକ ମୁଡ୍ବୋର୍ଡ ଦେଖାନ୍ତୁ": 9ଟି ଚିତ୍ର ଏକ 3x3 ଗ୍ରୀଡ୍‌ରେ ଉଡ଼େ, ତା'ପରେ ସ୍କ୍ରିନ୍‌ରେ "ଏହା ଆପଣଙ୍କୁ ପାଇଥାଏ" ପ୍ରକାରେ ଫଳାଫଳକୁ ଗୋଲ କରନ୍ତୁ।
5. "ଯେତେ ଅଧିକ ଆପଣ ଏହାକୁ ବ୍ୟବହାର କରିବେ, ଏହା ସେତେ ଭଲ ହେବ": ଗ୍ରେଡିଏଣ୍ଟରେ ଜୋର ଦିଆଯାଇଥିବା ଶବ୍ଦ ସହିତ ଦୁଇଟି ଧାଡି ଟାଇପ୍ କରନ୍ତୁ।
6. ସେଟିଂସ୍: 3ଟି ସ୍ଲାଇଡର ସହିତ ଏକ କାଚ ପ୍ୟାନେଲ୍ ଦେଖାନ୍ତୁ, ପ୍ରତ୍ୟେକଟି ସେ ନାମ ଦେବା ସମୟରେ ଗତି କରୁଛି। ଚିତ୍ରର ରଙ୍ଗ ପରିବର୍ତ୍ତନ କରନ୍ତୁ, 16 ତମ ସ୍ଥାନରେ ନୂତନ ବିହନ ଗଡ଼ାଇ ଦିଅନ୍ତୁ, ତାପରେ ଏହାକୁ ଏକ ପୋଷ୍ଟରରେ ପରିଣତ କରନ୍ତୁ। ସିଙ୍କ୍ରୋନାଇଜ୍ ସହିତ କାଚ ପଛରେ ଏହାର ରଙ୍ଗଗୁଡ଼ିକର ଏକ ଅସ୍ପଷ୍ଟ ଧୋଇ ସ୍ଥାନାନ୍ତର କରନ୍ତୁ।
୭. "ପ୍ରତ୍ୟେକ [ଆଉଟପୁଟ୍], ଠିକ୍ ଯେପରି ତୁମେ ଏହାକୁ ଦେଖ": ଏକ କାଚ କ୍ୟାପସନ୍ ପିଲ୍ ପଛରେ କେନ୍ଦ୍ରରୁ ମୋର ୧୨୦ଟି ଚିତ୍ର ବାହାରକୁ ଫାଟିଦିଅ, ତାପରେ ନାମ ଟାଇପ୍ ହେବା ସମୟରେ ସେଗୁଡ଼ିକୁ ମୋର ଲୋଗୋରେ ଏକାଠି କର। ତଳେ "ଆଉଟ୍ ଏବେ" ରଖନ୍ତୁ ଏବଂ ୨ ସେକେଣ୍ଡ ପାଇଁ ଧରି ରଖନ୍ତୁ।

ପ୍ରମ୍ପ୍ଟ ବାର୍, ଫଳାଫଳ ଏବଂ ସ୍ଲାଇଡରଗୁଡ଼ିକୁ ମୋ ଉତ୍ପାଦର ପ୍ରକୃତ ଇନପୁଟ୍, ଆଉଟପୁଟ୍ ଏବଂ ସେଟିଂସ ସହିତ ବଦଳାନ୍ତୁ।

ଗୀତଟିକୁ ଏପରି ଭାବରେ ସେଟ୍ କରନ୍ତୁ ଯେ ଡ୍ରପ୍ [କ୍ରିୟା] ଧାଡିରେ ରହିବ, ଏବଂ ସେଠାରେ ବିଟ୍ ଗ୍ରୀଡ୍ ଲଗାନ୍ତୁ।
3-ବ୍ୟାଣ୍ଡ ସାଇଡଚେନ୍ (ନିମ୍ନ 30%, ମଧ୍ୟମ 85%, ଏୟାର 55%; 0.3 ସେକେଣ୍ଡ ଧରି ରଖନ୍ତୁ, 50ms ଲୁକ୍-ଆହେଡ୍, 0.5 ସେକେଣ୍ଡ ରିଲିଜ୍) ସାହାଯ୍ୟରେ ସଙ୍ଗୀତକୁ ସ୍ୱର ତଳେ ଡକ୍ କରନ୍ତୁ। ତା'ପରେ ପ୍ରତ୍ୟେକ ବାକ୍ୟାଂଶର ମଧ୍ୟଭାଗକୁ ସେପର୍ଯ୍ୟନ୍ତ ଆଡଜଷ୍ଟ କରନ୍ତୁ ଯେପର୍ଯ୍ୟନ୍ତ ସ୍ୱର 300 Hz ଏବଂ 4 kHz ମଧ୍ୟରେ ସଙ୍ଗୀତ ଉପରେ ପ୍ରାୟ 9 dB ନଥାଏ।
ପ୍ରତି ଇଭେଣ୍ଟରେ ଗୋଟିଏ ଡାଉନଲୋଡ୍ ହୋଇଥିବା Mixkit SFX ବ୍ୟବହାର କରନ୍ତୁ, ଯାହା ଏହାର ମାପ କରାଯାଇଥିବା ଶିଖର ଅନୁସାରେ ଅବସ୍ଥିତ: ପ୍ରତ୍ୟେକ ପ୍ରତିଛବି ପରିବର୍ତ୍ତନ ପାଇଁ ଏକ କ୍ଲିକ୍, ପ୍ରତ୍ୟେକ ଟାଇପ୍ ହୋଇଥିବା ଅକ୍ଷର ପାଇଁ ଏକ କୀ ଶବ୍ଦ, ଜୋର ଦିଆଯାଇଥିବା ଶବ୍ଦ ଉପରେ ଏକ ସଫ୍ଟ ଅବତରଣ, ହ୍ୟୁସ୍ ଏବଂ ଡ୍ରପ୍ ଏବଂ ଲୋଗୋ ଉପରେ ପ୍ରଭାବ। ପ୍ରତ୍ୟେକକୁ ଏହାର ଶିଖର ଚାରିପାଖରେ ଟ୍ରିମ୍ କରନ୍ତୁ (ଅନେକ ରାଇଜର୍ 4 ସେକେଣ୍ଡ)। ଶେଷ କାର୍ଡ ତଳେ ଏକ dB କର୍ଭ ସହିତ ସଙ୍ଗୀତକୁ ଫିକା କରନ୍ତୁ। -14 LUFS ପର୍ଯ୍ୟନ୍ତ Loudnorm।

୧. ଗୋଟିଏ HTML କାନଭାସ୍। ପ୍ରତ୍ୟେକ ଫ୍ରେମ୍ seek(t) ଭିତରେ ସମୟର ଏକ ଶୁଦ୍ଧ କାର୍ଯ୍ୟ, ଏବଂ ପ୍ରତ୍ୟେକ କ୍ୟାପସନ୍ ଏବଂ କଟ୍ ଶବ୍ଦ ସାରଣୀକୁ ଅନୁସରଣ କରେ।
2. କାଚ: ଆକୃତିର ପଛପଟ କାନଭାସକୁ କ୍ୟାପଚର୍ କରନ୍ତୁ, ଏହାକୁ ବଡି ପାଇଁ ପ୍ରାୟ 14px ବ୍ଲର୍ କରନ୍ତୁ, ଧାର ସହିତ 12px ବ୍ୟାଣ୍ଡରେ ପ୍ରାୟ 1.06x ବର୍ଦ୍ଧିତ ଏକ ହାଲୁକା ବ୍ଲର୍ଡ୍ କପି ଆଙ୍କନ୍ତୁ, ତା'ପରେ କ୍ଷୀର, ଚମକ, ରିମ୍ ଏବଂ ଛାୟା ଯୋଡନ୍ତୁ।
3. 8ଟି ମୋସନ୍-ବ୍ଲର୍ ସବଫ୍ରେମ୍ ବ୍ୟବହାର କରି 60fps ରେ Playwright ସହିତ ରେଣ୍ଡର୍ କରନ୍ତୁ, ତାପରେ ffmpeg ସହିତ ଏନକୋଡ୍ କରନ୍ତୁ।
୪. ମୋତେ କିଛି ଦେଖାଇବା ପୂର୍ବରୁ, ଷ୍ଟିଲ୍‌ଗୁଡ଼ିକର ଏକ କଣ୍ଟାକ୍ଟ ସିଟ୍ ତିଆରି କରନ୍ତୁ, ସିଙ୍ଗଲ୍-ଫ୍ରେମ୍ ପପ୍ ପାଇଁ ଫ୍ରେମ୍ ପାର୍ଥକ୍ୟଗୁଡ଼ିକୁ ସ୍କାନ କରନ୍ତୁ (କେବଳ ୧୬ତମ ନୋଟ୍ ରନ୍ ଡେଇଁପାରେ), ଏବଂ ପ୍ରତ୍ୟେକ ବାକ୍ୟାଂଶ ପାଇଁ ଭଏସ୍-ଟୁ-ସଙ୍ଗୀତ ଅନୁପାତ ଯାଞ୍ଚ କରନ୍ତୁ।

ଏକ [ଉଷ୍ମ] ଓପନର ଫୁସ୍‌ଫୁସ୍‌ ଶବ୍ଦ କରିପାରେ, ଯେତେବେଳେ [ଉତ୍ତେଜିତ] ନକଲି ଅନୁଭବ କରିପାରେ। ଏକ ଶବ୍ଦ ପଛରେ ଏକ ହାଇଲାଇଟ୍ ବାକ୍ସ ଏକ ୱିଣ୍ଡୋଜ୍ ପାଠ୍ୟ ଚୟନ ପରି ଦେଖାଯାଏ। ଯଦି କ୍ୟାମେରା ହ୍ୟାଣ୍ଡଅଫ୍ ସମୟରେ 1.0 କୁ ପୁନଃସେଟ୍ କରେ, ତେବେ ଜୁମ୍ ସ୍ନାପ୍ ହୁଏ। ଏକ 0.05s ଫେଡ୍ ଏକ ତୁରନ୍ତ ପପ୍-ଇନ୍ ପରି ଦେଖାଯାଏ।

ମୋତେ ଇନପୁଟ୍ ମାଗ, ସ୍କ୍ରିପ୍ଟ ଲେଖ, ମୋତେ ବାଛିବା ପାଇଁ 4ଟି ଭଏସ୍ ଟେକ୍ ପଠା, ତା’ପରେ ସମ୍ପୂର୍ଣ୍ଣ ରେଣ୍ଡର ପୂର୍ବରୁ ମୋତେ 8ଟି ଷ୍ଟିଲ୍ ଦେଖାଅ।

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.

ପ୍ରମ୍ପ୍ଟ ଏଥିରୁ ନିଆଯାଇଛି ପୋଷ୍ଟ @rossaxbt.