د اورا ۲ انځور ماډل د خپریدو فلم

له ما څخه وغواړئ: زما د محصول نوم، یو کرښه پیچ، زما لوګو، د محصول له 3 څخه تر 6 سکرین شاټونه، د هغه څه 40+ انځورونه چې دا یې جوړوي (یا د هغې عکسونه)، زما د برانډ رنګونه او فونټ، د ElevenLabs API کیلي او غږ ID، او همدارنګه د روښانه ډراپ سره د امتیاز څخه پاک ټریک (آډیو فایل او د ډراپ ټایم سټمپ). که زه کوم شی پریږدم، نو دا ډیفالټ وکاروئ: "Ora 2"، "د خوند لپاره جوړ شوی د عکس ماډل"، د Unsplash او Pixabay څخه وړیا انځورونه، Geist ، ink #111214، غږ Samara X (19STyYD15bswVz51nqLf) په eleven_v4 کې، او Pixabay "Cascade Breathe" (129.83 BPM ، په 75.39s کې ډراپ).

<script>
په دې بڼه کې د ۹ کرښو غږ ولیکئ او هره کرښه زما محصول سره تطبیق کړئ:
"دا [نوم] دی. یو [کټګوري]... د [ارزښت] لپاره جوړ شوی. [فعل] په هر سټایل کې. دا [ان پټ] ورکړئ - او دا یوازې... پوهیږي. څومره چې تاسو یې وکاروئ، هومره ښه کیږي. د هغې [ترتیب] تنظیم کړئ. دا [ترتیب] دی. دا [ترتیب] دی. هر [آؤټ پټ] - په سمه توګه لکه څنګه چې تاسو یې انځور کړی. [نوم]. اوس بهر."
د احساساتو ټګونه په احتیاط سره وکاروئ: [په نرمۍ سره] په خاموشو کرښو کې او [په زړه پورې] په [فعل] کرښه کې. د پیل کوونکی ټګ مه کوئ، او په ساده بشپړ وقفه سره یې پای ته ورسوئ.
</script>

زما د کیلي په کارولو سره مستقیم د ElevenLabs API ته زنګ ووهئ، پرته له MCP. په یوه پاس کې څلور بشپړ سکریپټ ټیکونه تولید کړئ او اجازه راکړئ چې غوره کړم. که یوه کرښه سمه نه غږیږي، یوازې هغه کرښه څلور ځله بیا تولید کړئ او غوره نسخه زما په ټیک کې واچوئ.
د 0.28 ثانیو څخه اوږد وقفې 0.2 ثانیو ته لنډې کړئ، بیا هر عبارت د منځنۍ کچې په لور 85٪ راوړئ، یوازې د وقفو په جریان کې ګټه تنظیم کړئ.
د کلمو د وخت ټاکلو لپاره، لوستل د ۱۰۰ ملی ثانیو یا اوږدې وقفې سره وویشئ، هره برخه په جلا توګه د ویسپر سره ولیکئ، او د هغې لومړۍ کلمه د اندازه شوي پیل سره سم کړئ. د ویسپر یو واحد پاس کولی شي کلمې تر نیمې ثانیې پورې ناوخته ځای په ځای کړي.

د ۲۲ ثانیو مربع لانچ فلم، ۱۴۴۰x۱۴۴۰ په ۶۰fps کې، د مصنوعي ذهانت لابراتوار لانچ په سټایل کې: سپین کینوس، یو ټایپفیس، تور رنګ، ریښتیني انځورونه، او کیپشنونه چې په دقیق وخت کې ویل کیږي، په لفظ په لفظ ټایپ شوي.
هر کنټرول (پرامپټ بار، د ترتیباتو پینل، د کیپشن ګولۍ) د مایع شیشې څخه کار اخلي: د هغې شاته صحنه یخ کړئ، هغه صحنه د څنډې په اوږدو کې د موټی شیشې په څیر وخورئ، بیا د پورتنۍ چمک، روښانه څنډه او نرم پورته کولو سیوري اضافه کړئ. شیشه په ساده سپین کې ورکیږي، نو زما د برانډ رنګونو کې ورو پیسټل اورا یا د هغې شاته د عکس یو تیاره مینځل اضافه کړئ.
هغه چې زما د برانډ رنګونو په تدریجي ډول د کلمو ټایپونو باندې ټینګار کوي، د هغې تر شا یو کمزوری چمک لري.
د حرکت قواعد: کیمره په حرکت کې وساتئ (په هره صحنه کې له ۱.۰ څخه تر ۱.۰۴ پورې فشار ورکړئ؛ کله چې مینځپانګه بلې صحنې ته حرکت وکړي، نو په هغه زوم پیل وکړئ چیرې چې پخوانۍ صحنه پای ته رسیدلې وه). هیڅ شی سمدلاسه نه ښکاري: لږترلږه د ۰.۳ ثانیو د اسانه شوي فیډونو څخه کار واخلئ. د هر یو لپاره د کلیک سره په ۱۶ نوټونو کې انځورونه بدل کړئ. د جملې په پیل کې د ځمکې صحنه بدلونونه، او د موسیقۍ ډراپ د [فعل] کرښې سره سمون ورکړئ. په سکرین کې بشپړ تمځایونه مه ښکاره کوئ.
منع شوي: د انتخاب بکس مهم ټکي، د بیټ-سنیپ شوي سلیمونه، سپینې چمکۍ، 3D، ټیمپلیټونه.

اووه صحنې، د غږ سره سم وخت:

۱. "دا [نوم] دی": زما د انځورونو یو کولاژ د نوم په لویوالي سره بهر ته ځي، بیا د کټګورۍ کرښې ته لاره ورکوي.
۲. "د [ارزښت] لپاره جوړ شوی": زما د غوره عکسونو بشپړ سکرین فلشونه د ۱۶ نوټونو په څاڅکي کې بدلوي، او کرښه یې په سپین رنګ کې لیکل شوې وي.
۳. څاڅکی: د شیشې پرامپټ بار یو لنډ پرامپټ ټایپ کوي. د پایلې کارت په هر ۱۶م نوټ کې سټایل بدلوي، پداسې حال کې چې یو تور سټایل چپ د تمبیل پټې پورته هر نوي نوم ته رول کوي.
۴. "دا یو موډ بورډ وښایاست": ۹ انځورونه په ۳x۳ گرډ کې الوتنه کوي، بیا پایله په سکرین کې د "دا تاسو ته درکوي" ډول سره حلقه کړئ.
۵. "څومره چې ډېر یې وکاروئ، هومره ښه کېږي": په تدریجي ډول د ټینګار شوي کلمې سره دوه کرښې ولیکئ.
۶. ترتیبات: د شیشې یوه تخته وښایاست چې ۳ سلایډرونه لري، هر یو یې د هغې نوم سره سم حرکت کوي. د انځور رنګ بدل کړئ، نوي تخمونه په ۱۶ برخو وویشئ، بیا یې په پوسټر بدل کړئ. د شیشې شاته د هغې د رنګونو یو تیاره مینځل په همغږۍ سره بدل کړئ.
۷. "هر [آؤټ پټ]، په سمه توګه لکه څنګه چې تاسو یې ګورئ": زما ۱۲۰ انځورونه د شیشې کیپشن ګولۍ شاته له مرکز څخه بهر ته وغورځوئ، بیا یې زما په لوګو کې سره یوځای کړئ لکه څنګه چې نوم لیکل کیږي. "اوس بهر" لاندې ولیکئ او د ۲ ثانیو لپاره یې ونیسئ.

د پرامپټ بار، پایلې او سلایډرونه زما د محصول اصلي ان پټ، آوټ پټ او ترتیباتو سره بدل کړئ.

سندره داسې تنظیم کړئ چې څاڅکی د [فعل] کرښې ته راشي، او هلته د بیټ گرډ لنگر کړئ.
د غږ لاندې د 3-بینډ سایډ چین سره موسیقي بند کړئ (ټیټ 30٪، منځنی 85٪، هوا 55٪؛ 0.3s هولډ، 50ms لید-مخکې، 0.5s خوشې کول). بیا د هرې جملې منځونه تنظیم کړئ تر هغه چې غږ د 300 Hz او 4 kHz ترمنځ د موسیقۍ څخه شاوخوا 9 dB پورته وي.
په هره پیښه کې یو ډاونلوډ شوی مکس کټ SFX وکاروئ، د هغې د اندازه شوي څوکې له مخې موقعیت لري: د هر عکس بدلون لپاره یو کلیک، د هر ټایپ شوي لیک لپاره یو کلیدي غږ، په ټینګار شوي کلمه کې نرمه ځمکه، ووش، او په ډراپ او لوګو باندې اغیزې. هر یو د هغې د څوکې شاوخوا پرې کړئ (ډیری رایزرونه 4 ثانیې دي). د پای کارت لاندې د dB منحني سره میوزیک کم کړئ. لوډنورم تر -14 LUFS پورې.

۱. یو HTML کینوس. هر چوکاټ د seek(t) دننه د وخت خالص فعالیت دی، او هر کیپشن او کټ د کلمې جدول تعقیبوي.
۲. شیشه: د شکل تر شا کینوس ونیسئ، د بدن لپاره یې شاوخوا ۱۴ پکسله روښانه کړئ، د څنډې په اوږدو کې د ۱۲ پکسله په بینډ کې شاوخوا ۱.۰۶x لوی شوی یو لږ تیاره کاپي رسم کړئ، بیا شیدې، شین، رم او سیوري اضافه کړئ.
۳. د ۸ حرکت-بلر فرعي چوکاټونو په کارولو سره Playwright سره په ۶۰fps کې رینډر کړئ، بیا ffmpeg سره کوډ کړئ.
۴. مخکې له دې چې ماته څه وښيي، د سټیلونو د اړیکو پاڼه جوړه کړئ، د واحد چوکاټ پاپونو لپاره د چوکاټ توپیرونه سکین کړئ (یوازې د ۱۶مې نوټ منډې ممکن کود شي)، او د هرې جملې لپاره د غږ او موسیقۍ تناسب وګورئ.

یو [ګرم] پرانیستونکی کولی شي په غوسه غږ وکړي، پداسې حال کې چې [لیوالتیا] کولی شي جعلي احساس وکړي. د کلمې تر شا یو روښانه بکس د وینډوز متن انتخاب په څیر ښکاري. که چیرې کیمره د لاسوهنې پرمهال 1.0 ته بیا تنظیم شي، زوم سنیپ کیږي. د 0.05s فیډ د فوري پاپ ان په څیر ښکاري.

له ما څخه د معلوماتو غوښتنه وکړئ، سکریپټ ولیکئ، د انتخاب لپاره یې څلور غږیز عکسونه راولیږئ، بیا د بشپړ رینډر څخه مخکې ماته ۸ سټیلونه وښایاست.

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.

غوښتنه له دې څخه اخیستل شوې ده پوسټ @rossaxbt.