Ora 2 - Filme de lançamento do modelo de imagem

Solicite: o nome do meu produto, uma breve descrição, meu logotipo, de 3 a 6 capturas de tela do produto, mais de 40 imagens do que ele cria (ou fotos dele), as cores e a fonte da minha marca, uma chave de API e um ID de voz da ElevenLabs, além de uma faixa livre de royalties com uma quebra clara (o arquivo de áudio e o timestamp da quebra). Se eu omitir alguma coisa, use estes padrões: "Ora 2", "um modelo de imagem feito para o seu gosto", imagens gratuitas do Unsplash e Pixabay, Geist, tinta nº 111214, a voz Samara X (19STyYD15bswVz51nqLf) no eleven_v4 e "Cascade Breathe" do Pixabay (129,83 BPM, quebra em 75,39s).

<script>
Escreva uma locução de 9 linhas neste formato e adapte cada linha ao meu produto:
"Este é [nome]. Uma [categoria]... criada para [valor]. [Verbo] em QUALQUER estilo. Dê a ela uma [entrada] - e ela simplesmente... entende. Quanto mais você a usa, MELHOR ela fica. Ajuste sua [configuração]. Sua [configuração]. Sua [configuração]. Cada [saída] - exatamente como você imaginou. [Nome]. Disponível agora."
Use marcadores de emoção com moderação: [suavemente] nas linhas calmas e [animado] na linha do [Verbo]. Não marque a abertura e termine com um ponto final simples.
</script>

Acesse a API da ElevenLabs diretamente usando minha chave, sem precisar de um MCP. Gere 4 takes completos do roteiro em uma única passagem e deixe-me escolher. Se uma linha não soar bem, gere apenas essa linha 4 vezes e insira a melhor versão no meu take.
Reduza as pausas com duração superior a 0,28s para 0,2s e, em seguida, aproxime cada frase em 85% do nível mediano, ajustando o ganho apenas durante as pausas.
Para determinar a duração das palavras, divida a leitura em pausas de 100 ms ou mais, transcreva cada segmento separadamente com o Whisper e alinhe a primeira palavra ao início da palavra medido. Uma única passagem do Whisper pode atrasar as palavras em até meio segundo.

Um vídeo de lançamento quadrado de 22 segundos, 1440x1440 a 60fps, no estilo de um lançamento de laboratório de IA: tela branca, uma única fonte, tinta preta, imagens reais e legendas digitadas palavra por palavra no exato momento em que são faladas.
Cada controle (barra de comandos, painel de configurações, legenda) utiliza o efeito de vidro líquido: o fundo é fosco, curvado nas bordas como um vidro espesso e, em seguida, adiciona-se um brilho superior, uma borda nítida e uma sombra suave. O efeito de vidro desaparece sobre o branco puro, então adiciona-se uma aura pastel suave nas cores da minha marca ou um desfoque da foto de fundo.
A única palavra em destaque apresenta um degradê nas cores da minha marca, com um leve brilho ao fundo.
Regras de movimento: mantenha a câmera em movimento (avanço de 1,0 a 1,04 por cena; quando o conteúdo mudar para a próxima cena, comece no zoom onde a cena anterior terminou). Nada aparece instantaneamente: use transições suaves de pelo menos 0,3s. Troque as imagens em semicolcheias, com um clique para cada uma. Faça as mudanças de cena no início das frases e alinhe a entrada da música com a linha [Verbo]. Não mostre pontos finais na tela.
Proibido: destaques em caixas de seleção, batidas secas, flashes brancos, 3D, modelos.

Sete cenas, sincronizadas com a voz:

1. "Este é [nome]": uma colagem das minhas imagens surge à medida que o nome é digitado em letras grandes, dando lugar, em seguida, à linha da categoria.
2. "feito para [valor]": flashes em tela cheia das minhas melhores imagens alternam em semicolcheias na batida, com a linha digitada em branco sobre elas.
3. A queda: uma barra de vidro exibe uma breve sugestão. O cartão de resultado muda de estilo a cada 16ª nota, enquanto um chip de estilo preto rola para cada novo nome acima de uma faixa de miniaturas.
4. "Mostre um moodboard": 9 imagens voam para uma grade 3x3 e, em seguida, circule o resultado enquanto a frase "Isso te entende" aparece na tela.
5. "Quanto mais você usa, melhor fica": digite duas linhas, com a palavra em destaque no gradiente.
6. As configurações: mostre um painel de vidro com 3 controles deslizantes, cada um se movendo conforme ela o nomeia. Altere a tonalidade da imagem, role novas sementes em incrementos de 16 e, em seguida, transforme-a em um pôster. Deslize um desfoque das cores atrás do vidro em sincronia.
7. "Cada [saída], exatamente como você vê": projete 120 das minhas imagens a partir do centro, atrás de uma placa de vidro com legenda, e junte-as para formar meu logotipo enquanto o nome é digitado. Insira "Disponível agora" abaixo e segure por 2 segundos.

Substitua a barra de comandos, os resultados e os controles deslizantes pelas entradas, saídas e configurações reais do meu produto.

Configure a música para que a quebra ocorra na linha [Verb] e ancore a grade de batida ali.
Reduza o volume da música para baixo da voz com um sidechain de 3 bandas (graves 30%, médios 85%, ambiência 55%; 0,3s de retenção, 50ms de antecipação, 0,5s de liberação). Em seguida, ajuste os médios de cada frase até que a voz fique cerca de 9 dB acima da música entre 300 Hz e 4 kHz.
Use um efeito sonoro (SFX) do Mixkit baixado por evento, posicionado pelo seu pico medido: um clique para cada mudança de imagem, um som de tecla para cada letra digitada, um som de transição suave na palavra enfatizada, efeitos de reverberação e impactos na queda e no logotipo. Corte cada um em torno do seu pico (muitos efeitos de subida têm 4 segundos). Faça um fade da música seguindo uma curva de dB sob a tela final. Ajuste o Loudnorm para -14 LUFS.

1. Um canvas HTML. Cada frame é uma função pura do tempo dentro de seek(t), e cada legenda e recorte segue a tabela de palavras.
2. Vidro: capture a tela por trás da forma, desfoque-a em cerca de 14px para o corpo, desenhe uma cópia levemente desfocada e ampliada em cerca de 1,06x em uma faixa de 12px ao longo da borda e, em seguida, adicione o leito, o brilho, a borda e a sombra.
3. Renderize com Playwright a 60fps usando 8 subquadros de desfoque de movimento e, em seguida, codifique com ffmpeg.
4. Antes de me mostrar qualquer coisa, faça uma folha de contato com as fotos, verifique as diferenças entre os frames para identificar pequenos saltos (apenas as passagens de semicolcheias podem apresentar saltos) e confira a proporção entre voz e música em cada frase.

Uma saudação [calorosa] pode soar sussurrada, enquanto uma [animada] pode parecer falsa. Um destaque atrás de uma palavra parece uma seleção de texto do Windows. Se a câmera voltar para 1.0 durante uma transição, o zoom dá um estalo. Um fade de 0,05s parece um pop-in instantâneo.

Peça-me as informações, escreva o roteiro, envie-me 4 gravações de voz para escolher e, em seguida, mostre-me 8 imagens estáticas antes da renderização final.

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.

Prompt retirado de publicar @rossaxbt.