ਓਰਾ 2 ਇਮੇਜ ਮਾਡਲ ਲਾਂਚ ਫਿਲਮ

ਮੈਨੂੰ ਪੁੱਛੋ: ਮੇਰਾ ਉਤਪਾਦ ਨਾਮ, ਇੱਕ-ਲਾਈਨ ਪਿੱਚ, ਮੇਰਾ ਲੋਗੋ, ਉਤਪਾਦ ਦੇ 3 ਤੋਂ 6 ਸਕ੍ਰੀਨਸ਼ਾਟ, ਇਸ ਦੁਆਰਾ ਬਣਾਏ ਗਏ 40+ ਚਿੱਤਰ (ਜਾਂ ਇਸ ਦੀਆਂ ਫੋਟੋਆਂ), ਮੇਰੇ ਬ੍ਰਾਂਡ ਦੇ ਰੰਗ ਅਤੇ ਫੌਂਟ, ਇੱਕ ElevenLabs API ਕੁੰਜੀ ਅਤੇ ਵੌਇਸ ਆਈਡੀ, ਨਾਲ ਹੀ ਇੱਕ ਸਪੱਸ਼ਟ ਡ੍ਰੌਪ (ਆਡੀਓ ਫਾਈਲ ਅਤੇ ਡ੍ਰੌਪ ਟਾਈਮਸਟੈਂਪ) ਵਾਲਾ ਇੱਕ ਰਾਇਲਟੀ-ਮੁਕਤ ਟਰੈਕ। ਜੇਕਰ ਮੈਂ ਕੁਝ ਵੀ ਛੱਡਦਾ ਹਾਂ, ਤਾਂ ਇਹਨਾਂ ਡਿਫਾਲਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ: "Ora 2", "ਇੱਕ ਚਿੱਤਰ ਮਾਡਲ ਸੁਆਦ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ", Unsplash ਅਤੇ Pixabay ਤੋਂ ਮੁਫ਼ਤ ਚਿੱਤਰ, Geist, ink #111214, eleven_v4 'ਤੇ Samara X (19STyYD15bswVz51nqLf) ਦੀ ਆਵਾਜ਼, ਅਤੇ Pixabay "Cascade Breathe" (129.83 BPM, 75.39s 'ਤੇ ਡ੍ਰੌਪ)।

<script>
ਇਸ ਫਾਰਮੈਟ ਵਿੱਚ 9-ਲਾਈਨਾਂ ਦਾ ਵੌਇਸਓਵਰ ਲਿਖੋ ਅਤੇ ਹਰੇਕ ਲਾਈਨ ਨੂੰ ਮੇਰੇ ਉਤਪਾਦ ਦੇ ਅਨੁਸਾਰ ਢਾਲੋ:
"ਇਹ [ਨਾਮ] ਹੈ। ਇੱਕ [ਸ਼੍ਰੇਣੀ]... [ਮੁੱਲ] ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ। [ਕਿਰਿਆ] ਕਿਸੇ ਵੀ ਸ਼ੈਲੀ ਵਿੱਚ। ਇਸਨੂੰ [ਇਨਪੁਟ] ਦਿਓ - ਅਤੇ ਇਹ ਬਸ... ਸਮਝਦਾ ਹੈ। ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਤੁਸੀਂ ਇਸਨੂੰ ਵਰਤਦੇ ਹੋ, ਇਹ ਓਨਾ ਹੀ ਬਿਹਤਰ ਹੁੰਦਾ ਜਾਂਦਾ ਹੈ। ਇਸਦੀ [ਸੈਟਿੰਗ] ਨੂੰ ਵਿਵਸਥਿਤ ਕਰੋ। ਇਹ [ਸੈਟਿੰਗ] ਹੈ। ਇਹ [ਸੈਟਿੰਗ] ਹੈ। ਹਰ [ਆਉਟਪੁੱਟ] - ਬਿਲਕੁਲ ਜਿਵੇਂ ਤੁਸੀਂ ਇਸਨੂੰ ਦਰਸਾਇਆ ਹੈ। [ਨਾਮ]। ਹੁਣ ਬਾਹਰ।"
ਭਾਵਨਾਤਮਕ ਟੈਗਾਂ ਦੀ ਵਰਤੋਂ ਘੱਟ ਕਰੋ: [ਹੌਲੀ-ਹੌਲੀ] ਸ਼ਾਂਤ ਲਾਈਨਾਂ 'ਤੇ ਅਤੇ [ਕਿਰਿਆ] ਲਾਈਨ 'ਤੇ [ਉਤਸ਼ਾਹਿਤ]। ਸ਼ੁਰੂਆਤੀ ਨੂੰ ਟੈਗ ਨਾ ਕਰੋ, ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਸਾਦੇ ਪੂਰੇ ਵਿਰਾਮ ਨਾਲ ਖਤਮ ਕਰੋ।
</script>

ਮੇਰੀ ਕੁੰਜੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿੱਧੇ ElevenLabs API ਨੂੰ ਕਾਲ ਕਰੋ, ਬਿਨਾਂ MCP । ਇੱਕ ਪਾਸ ਵਿੱਚ 4 ਫੁੱਲ-ਸਕ੍ਰਿਪਟ ਟੇਕ ਤਿਆਰ ਕਰੋ ਅਤੇ ਮੈਨੂੰ ਚੁਣਨ ਦਿਓ। ਜੇਕਰ ਕੋਈ ਲਾਈਨ ਸਹੀ ਨਹੀਂ ਲੱਗਦੀ, ਤਾਂ ਸਿਰਫ਼ ਉਸ ਲਾਈਨ ਨੂੰ 4 ਵਾਰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਸਕਰਣ ਨੂੰ ਮੇਰੇ ਟੇਕ ਵਿੱਚ ਜੋੜੋ।
0.28 ਸਕਿੰਟ ਤੋਂ ਲੰਬੇ ਵਿਰਾਮਾਂ ਨੂੰ 0.2 ਸਕਿੰਟ ਤੱਕ ਛੋਟਾ ਕਰੋ, ਫਿਰ ਹਰੇਕ ਵਾਕੰਸ਼ ਨੂੰ 85% ਮੱਧਮ ਪੱਧਰ ਵੱਲ ਲਿਆਓ, ਸਿਰਫ਼ ਵਿਰਾਮਾਂ ਦੌਰਾਨ ਲਾਭ ਨੂੰ ਐਡਜਸਟ ਕਰੋ।
ਸ਼ਬਦ ਦੇ ਸਮੇਂ ਲਈ, 100ms ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਸਮੇਂ ਦੇ ਵਿਰਾਮ 'ਤੇ ਪੜ੍ਹਨ ਨੂੰ ਵੰਡੋ, ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ Whisper ਨਾਲ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰੋ, ਅਤੇ ਇਸਦੇ ਪਹਿਲੇ ਸ਼ਬਦ ਨੂੰ ਮਾਪੀ ਗਈ ਸ਼ੁਰੂਆਤ ਨਾਲ ਇਕਸਾਰ ਕਰੋ। ਇੱਕ ਸਿੰਗਲ Whisper ਪਾਸ ਸ਼ਬਦਾਂ ਨੂੰ ਅੱਧੇ ਸਕਿੰਟ ਦੀ ਦੇਰੀ ਨਾਲ ਰੱਖ ਸਕਦਾ ਹੈ।

ਇੱਕ 22-ਸਕਿੰਟ ਦੀ ਵਰਗਾਕਾਰ ਲਾਂਚ ਫਿਲਮ, 1440x1440 60fps 'ਤੇ, ਇੱਕ AI ਲੈਬ ਲਾਂਚ ਦੀ ਸ਼ੈਲੀ ਵਿੱਚ: ਚਿੱਟਾ ਕੈਨਵਸ, ਇੱਕ ਟਾਈਪਫੇਸ, ਕਾਲੀ ਸਿਆਹੀ, ਅਸਲ ਤਸਵੀਰਾਂ, ਅਤੇ ਕੈਪਸ਼ਨ, ਸਹੀ ਸਮੇਂ 'ਤੇ ਸ਼ਬਦ-ਦਰ-ਸ਼ਬਦ ਟਾਈਪ ਕੀਤੇ ਗਏ ਹਨ।
ਹਰ ਕੰਟਰੋਲ (ਪ੍ਰੋਂਪਟ ਬਾਰ, ਸੈਟਿੰਗਜ਼ ਪੈਨਲ, ਕੈਪਸ਼ਨ ਪਿਲ) ਤਰਲ ਸ਼ੀਸ਼ੇ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ: ਇਸਦੇ ਪਿੱਛੇ ਵਾਲੇ ਦ੍ਰਿਸ਼ ਨੂੰ ਠੰਡਾ ਕਰੋ, ਉਸ ਦ੍ਰਿਸ਼ ਨੂੰ ਮੋਟੇ ਸ਼ੀਸ਼ੇ ਵਾਂਗ ਕਿਨਾਰੇ ਦੇ ਨਾਲ ਮੋੜੋ, ਫਿਰ ਇੱਕ ਉੱਪਰਲੀ ਚਮਕ, ਚਮਕਦਾਰ ਰਿਮ ਅਤੇ ਨਰਮ ਲਿਫਟ ਸ਼ੈਡੋ ਸ਼ਾਮਲ ਕਰੋ। ਸ਼ੀਸ਼ਾ ਸਾਦੇ ਚਿੱਟੇ 'ਤੇ ਗਾਇਬ ਹੋ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਮੇਰੇ ਬ੍ਰਾਂਡ ਦੇ ਰੰਗਾਂ ਵਿੱਚ ਇੱਕ ਹੌਲੀ ਪੇਸਟਲ ਆਭਾ ਜਾਂ ਇਸਦੇ ਪਿੱਛੇ ਫੋਟੋ ਦੀ ਇੱਕ ਧੁੰਦਲੀ ਵਾਸ਼ ਸ਼ਾਮਲ ਕਰੋ।
ਜਿਸਨੇ ਮੇਰੇ ਬ੍ਰਾਂਡ ਦੇ ਰੰਗਾਂ ਦੇ ਗਰੇਡੀਐਂਟ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੀ ਕਿਸਮ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਹੈ, ਇਸਦੇ ਪਿੱਛੇ ਇੱਕ ਹਲਕੀ ਚਮਕ ਹੈ।
ਗਤੀ ਦੇ ਨਿਯਮ: ਕੈਮਰਾ ਡ੍ਰਿਫਟਿੰਗ ਰੱਖੋ (ਪ੍ਰਤੀ ਦ੍ਰਿਸ਼ 1.0 ਤੋਂ 1.04 ਤੱਕ ਧੱਕੋ; ਜਦੋਂ ਸਮੱਗਰੀ ਅਗਲੇ ਦ੍ਰਿਸ਼ 'ਤੇ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਜ਼ੂਮ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ ਜਿੱਥੇ ਪਿਛਲਾ ਦ੍ਰਿਸ਼ ਖਤਮ ਹੋਇਆ ਸੀ)। ਕੁਝ ਵੀ ਤੁਰੰਤ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ: ਘੱਟੋ-ਘੱਟ 0.3 ਸਕਿੰਟ ਦੇ ਈਜ਼ਡ ਫੇਡ ਦੀ ਵਰਤੋਂ ਕਰੋ। 16ਵੇਂ ਨੋਟਸ 'ਤੇ ਚਿੱਤਰ ਬਦਲੋ, ਹਰੇਕ ਲਈ ਇੱਕ ਕਲਿੱਕ ਨਾਲ। ਵਾਕੰਸ਼ ਸ਼ੁਰੂ ਹੋਣ 'ਤੇ ਦ੍ਰਿਸ਼ ਬਦਲਦਾ ਹੈ, ਅਤੇ ਸੰਗੀਤ ਡ੍ਰੌਪ ਨੂੰ [ਕਿਰਿਆ] ਲਾਈਨ ਨਾਲ ਇਕਸਾਰ ਕਰੋ। ਸਕ੍ਰੀਨ 'ਤੇ ਪੂਰੇ ਸਟਾਪ ਨਾ ਦਿਖਾਓ।
ਪਾਬੰਦੀਸ਼ੁਦਾ: ਚੋਣ-ਬਾਕਸ ਹਾਈਲਾਈਟਸ, ਬੀਟ-ਸਨੈਪਡ ਸਲੈਮ, ਚਿੱਟੇ ਫਲੈਸ਼, 3D, ਟੈਂਪਲੇਟ।

ਸੱਤ ਦ੍ਰਿਸ਼, ਆਵਾਜ਼ ਦੇ ਸਮੇਂ ਅਨੁਸਾਰ:

1. "ਇਹ [ਨਾਮ] ਹੈ": ਜਿਵੇਂ ਹੀ ਨਾਮ ਵੱਡੇ ਅੱਖਰਾਂ ਵਿੱਚ ਟਾਈਪ ਹੁੰਦਾ ਹੈ, ਮੇਰੀਆਂ ਤਸਵੀਰਾਂ ਦਾ ਇੱਕ ਕੋਲਾਜ ਬਾਹਰ ਨਿਕਲਦਾ ਹੈ, ਫਿਰ ਸ਼੍ਰੇਣੀ ਲਾਈਨ ਨੂੰ ਰਸਤਾ ਦਿੰਦਾ ਹੈ।
2. "made for [value]": ਮੇਰੀਆਂ ਸਭ ਤੋਂ ਵਧੀਆ ਤਸਵੀਰਾਂ ਦੀਆਂ ਪੂਰੀ-ਸਕ੍ਰੀਨ ਫਲੈਸ਼ਾਂ 16ਵੇਂ ਨੋਟਸ ਨੂੰ ਡ੍ਰੌਪ ਵਿੱਚ ਸਵਿੱਚ ਕਰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਉੱਤੇ ਚਿੱਟੇ ਰੰਗ ਵਿੱਚ ਲਾਈਨ ਟਾਈਪ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
3. ਡ੍ਰੌਪ: ਇੱਕ ਗਲਾਸ ਪ੍ਰੋਂਪਟ ਬਾਰ ਇੱਕ ਛੋਟਾ ਪ੍ਰੋਂਪਟ ਟਾਈਪ ਕਰਦਾ ਹੈ। ਨਤੀਜਾ ਕਾਰਡ ਹਰ 16ਵੇਂ ਨੋਟ 'ਤੇ ਸ਼ੈਲੀ ਬਦਲਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ ਕਾਲਾ ਸਟਾਈਲ ਚਿੱਪ ਥੰਬਨੇਲ ਸਟ੍ਰਿਪ ਦੇ ਉੱਪਰ ਹਰੇਕ ਨਵੇਂ ਨਾਮ 'ਤੇ ਰੋਲ ਕਰਦਾ ਹੈ।
4. "ਇਸਨੂੰ ਮੂਡਬੋਰਡ ਦਿਖਾਓ": 9 ਤਸਵੀਰਾਂ ਇੱਕ 3x3 ਗਰਿੱਡ ਵਿੱਚ ਉੱਡਦੀਆਂ ਹਨ, ਫਿਰ ਸਕ੍ਰੀਨ 'ਤੇ "ਇਹ ਤੁਹਾਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ" ਟਾਈਪ ਦੇ ਅਨੁਸਾਰ ਨਤੀਜੇ ਨੂੰ ਘੇਰਾ ਦਿਓ।
5. "ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਤੁਸੀਂ ਇਸਨੂੰ ਵਰਤੋਗੇ, ਇਹ ਓਨਾ ਹੀ ਵਧੀਆ ਹੋਵੇਗਾ": ਗਰੇਡੀਐਂਟ ਵਿੱਚ ਜ਼ੋਰ ਦਿੱਤੇ ਸ਼ਬਦ ਦੇ ਨਾਲ ਦੋ ਲਾਈਨਾਂ ਟਾਈਪ ਕਰੋ।
6. ਸੈਟਿੰਗਾਂ: 3 ਸਲਾਈਡਰਾਂ ਵਾਲਾ ਇੱਕ ਸ਼ੀਸ਼ੇ ਦਾ ਪੈਨਲ ਦਿਖਾਓ, ਹਰ ਇੱਕ ਉਸਦੇ ਨਾਮ ਅਨੁਸਾਰ ਹਿੱਲਦਾ ਹੈ। ਚਿੱਤਰ ਦਾ ਰੰਗ ਬਦਲੋ, 16ਵੇਂ ਹਿੱਸੇ 'ਤੇ ਨਵੇਂ ਬੀਜ ਰੋਲ ਕਰੋ, ਫਿਰ ਇਸਨੂੰ ਇੱਕ ਪੋਸਟਰ ਵਿੱਚ ਬਦਲੋ। ਸ਼ੀਸ਼ੇ ਦੇ ਪਿੱਛੇ ਇਸਦੇ ਰੰਗਾਂ ਦੀ ਇੱਕ ਧੁੰਦਲੀ ਧੱਬੇ ਨੂੰ ਸਿੰਕ ਵਿੱਚ ਸ਼ਿਫਟ ਕਰੋ।
7. "ਹਰ [ਆਉਟਪੁੱਟ], ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਜਿਵੇਂ ਤੁਸੀਂ ਇਸਨੂੰ ਦੇਖਦੇ ਹੋ": ਇੱਕ ਸ਼ੀਸ਼ੇ ਦੀ ਕੈਪਸ਼ਨ ਗੋਲੀ ਦੇ ਪਿੱਛੇ ਕੇਂਦਰ ਤੋਂ ਮੇਰੀਆਂ 120 ਤਸਵੀਰਾਂ ਨੂੰ ਬਾਹਰ ਵੱਲ ਫਟਾਓ, ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਮੇਰੇ ਲੋਗੋ ਵਿੱਚ ਇਕੱਠੇ ਕਰੋ ਜਿਵੇਂ ਨਾਮ ਟਾਈਪ ਹੁੰਦਾ ਹੈ। "ਹੁਣੇ ਬਾਹਰ" ਨੂੰ ਹੇਠਾਂ ਰੱਖੋ ਅਤੇ 2 ਸਕਿੰਟਾਂ ਲਈ ਦਬਾ ਕੇ ਰੱਖੋ।

ਪ੍ਰੋਂਪਟ ਬਾਰ, ਨਤੀਜੇ ਅਤੇ ਸਲਾਈਡਰਾਂ ਨੂੰ ਮੇਰੇ ਉਤਪਾਦ ਦੇ ਅਸਲ ਇਨਪੁੱਟ, ਆਉਟਪੁੱਟ ਅਤੇ ਸੈਟਿੰਗਾਂ ਨਾਲ ਬਦਲੋ।

ਗਾਣੇ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸੈੱਟ ਕਰੋ ਕਿ ਡ੍ਰੌਪ [ਕਿਰਿਆ] ਲਾਈਨ 'ਤੇ ਆ ਜਾਵੇ, ਅਤੇ ਉੱਥੇ ਬੀਟ ਗਰਿੱਡ ਨੂੰ ਐਂਕਰ ਕਰੋ।
3-ਬੈਂਡ ਸਾਈਡਚੇਨ (ਘੱਟੋ-ਘੱਟ 30%, ਮੱਧ 85%, ਹਵਾ 55%; 0.3s ਹੋਲਡ, 50ms ਲੁੱਕ-ਅਹੇਡ, 0.5s ਰੀਲੀਜ਼) ਨਾਲ ਸੰਗੀਤ ਨੂੰ ਆਵਾਜ਼ ਦੇ ਹੇਠਾਂ ਡਕ ਕਰੋ। ਫਿਰ ਹਰੇਕ ਵਾਕੰਸ਼ ਦੇ ਮੱਧ ਨੂੰ ਉਦੋਂ ਤੱਕ ਐਡਜਸਟ ਕਰੋ ਜਦੋਂ ਤੱਕ ਆਵਾਜ਼ 300 Hz ਅਤੇ 4 kHz ਦੇ ਵਿਚਕਾਰ ਸੰਗੀਤ ਤੋਂ ਲਗਭਗ 9 dB ਉੱਪਰ ਨਾ ਬੈਠ ਜਾਵੇ।
ਹਰੇਕ ਇਵੈਂਟ ਲਈ ਇੱਕ ਡਾਊਨਲੋਡ ਕੀਤਾ ਮਿਕਸਕਿਟ SFX ਵਰਤੋ, ਜੋ ਇਸਦੇ ਮਾਪੇ ਹੋਏ ਸਿਖਰ ਦੁਆਰਾ ਸਥਿਤ ਹੋਵੇ: ਹਰੇਕ ਚਿੱਤਰ ਤਬਦੀਲੀ ਲਈ ਇੱਕ ਕਲਿੱਕ, ਹਰੇਕ ਟਾਈਪ ਕੀਤੇ ਅੱਖਰ ਲਈ ਇੱਕ ਕੁੰਜੀ ਧੁਨੀ, ਜ਼ੋਰ ਦਿੱਤੇ ਗਏ ਸ਼ਬਦ 'ਤੇ ਇੱਕ ਨਰਮ ਲੈਂਡਿੰਗ, ਹੂਸ਼, ਅਤੇ ਡ੍ਰੌਪ ਅਤੇ ਲੋਗੋ 'ਤੇ ਪ੍ਰਭਾਵ। ਹਰੇਕ ਨੂੰ ਇਸਦੇ ਸਿਖਰ ਦੇ ਦੁਆਲੇ ਕੱਟੋ (ਬਹੁਤ ਸਾਰੇ ਰਾਈਜ਼ਰ 4 ਸਕਿੰਟ ਹਨ)। ਅੰਤ ਕਾਰਡ ਦੇ ਹੇਠਾਂ ਇੱਕ dB ਕਰਵ ਦੇ ਨਾਲ ਸੰਗੀਤ ਨੂੰ ਫੇਡ ਕਰੋ। Loudnorm -14 LUFS ਤੱਕ।

1. ਇੱਕ HTML ਕੈਨਵਸ। ਹਰ ਫਰੇਮ seek(t) ਦੇ ਅੰਦਰ ਸਮੇਂ ਦਾ ਇੱਕ ਸ਼ੁੱਧ ਫੰਕਸ਼ਨ ਹੈ, ਅਤੇ ਹਰ ਕੈਪਸ਼ਨ ਅਤੇ ਕੱਟ ਸ਼ਬਦ ਸਾਰਣੀ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।
2. ਗਲਾਸ: ਆਕਾਰ ਦੇ ਪਿੱਛੇ ਕੈਨਵਸ ਨੂੰ ਕੈਪਚਰ ਕਰੋ, ਇਸਨੂੰ ਬਾਡੀ ਲਈ ਲਗਭਗ 14px ਧੁੰਦਲਾ ਕਰੋ, ਕਿਨਾਰੇ ਦੇ ਨਾਲ 12px ਬੈਂਡ ਵਿੱਚ ਲਗਭਗ 1.06x ਵਧਾਇਆ ਗਿਆ ਇੱਕ ਹਲਕਾ ਧੁੰਦਲਾ ਕਾਪੀ ਬਣਾਓ, ਫਿਰ ਦੁੱਧ, ਚਮਕ, ਰਿਮ ਅਤੇ ਸ਼ੈਡੋ ਸ਼ਾਮਲ ਕਰੋ।
3. 8 ਮੋਸ਼ਨ-ਬਲਰ ਸਬਫ੍ਰੇਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ 60fps 'ਤੇ Playwright ਨਾਲ ਰੈਂਡਰ ਕਰੋ, ਫਿਰ ffmpeg ਨਾਲ ਏਨਕੋਡ ਕਰੋ।
4. ਮੈਨੂੰ ਕੁਝ ਵੀ ਦਿਖਾਉਣ ਤੋਂ ਪਹਿਲਾਂ, ਸਟਿਲਾਂ ਦੀ ਇੱਕ ਸੰਪਰਕ ਸ਼ੀਟ ਬਣਾਓ, ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੌਪ ਲਈ ਫਰੇਮ ਅੰਤਰਾਂ ਨੂੰ ਸਕੈਨ ਕਰੋ (ਸਿਰਫ਼ 16ਵੇਂ-ਨੋਟ ਰਨ ਹੀ ਛਾਲ ਮਾਰ ਸਕਦੇ ਹਨ), ਅਤੇ ਹਰੇਕ ਵਾਕੰਸ਼ ਲਈ ਵੌਇਸ-ਟੂ-ਮਿਊਜ਼ਿਕ ਅਨੁਪਾਤ ਦੀ ਜਾਂਚ ਕਰੋ।

ਇੱਕ [ਨਿੱਘੇ] ਓਪਨਰ ਫੁਸਫੁਸਾਈ ਦੀ ਆਵਾਜ਼ ਦੇ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ [ਉਤਸ਼ਾਹਿਤ] ਨਕਲੀ ਮਹਿਸੂਸ ਕਰ ਸਕਦਾ ਹੈ। ਇੱਕ ਸ਼ਬਦ ਦੇ ਪਿੱਛੇ ਇੱਕ ਹਾਈਲਾਈਟ ਬਾਕਸ ਇੱਕ ਵਿੰਡੋਜ਼ ਟੈਕਸਟ ਚੋਣ ਵਰਗਾ ਲੱਗਦਾ ਹੈ। ਜੇਕਰ ਕੈਮਰਾ ਹੈਂਡਆਫ ਦੌਰਾਨ 1.0 'ਤੇ ਰੀਸੈਟ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਜ਼ੂਮ ਸਨੈਪ ਹੋ ਜਾਂਦਾ ਹੈ। ਇੱਕ 0.05s ਫੇਡ ਇੱਕ ਤੁਰੰਤ ਪੌਪ-ਇਨ ਵਾਂਗ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।

ਮੇਰੇ ਤੋਂ ਇਨਪੁਟ ਮੰਗੋ, ਸਕ੍ਰਿਪਟ ਲਿਖੋ, ਮੈਨੂੰ ਚੁਣਨ ਲਈ 4 ਵੌਇਸ ਟੇਕ ਭੇਜੋ, ਫਿਰ ਪੂਰੇ ਰੈਂਡਰ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ 8 ਸਟਿਲ ਦਿਖਾਓ।

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.

ਪ੍ਰੋਂਪਟ ਇਸ ਤੋਂ ਲਿਆ ਗਿਆ ਪੋਸਟ @rossaxbt.