Configurarea: Film de lansare a modelului Ora 2

Cereți-mi: numele produsului meu, o prezentare de un rând, sigla mea, 3 până la 6 capturi de ecran ale produsului, peste 40 de imagini cu ceea ce creează (sau fotografii ale acestuia), culorile și fontul mărcii mele, o cheie API ElevenLabs și un ID vocal, plus o piesă fără drepturi de autor cu o listă clară de lansare (fișierul audio și marcajul temporal al lansării). Dacă sar peste ceva, folosiți aceste setări implicite: „Ora 2”, „un model de imagine creat pe gusturi”, imagini gratuite de pe Unsplash și Pixabay, Geist, cerneală #111214, vocea Samara X (19STyYD15bswVz51nqLf) pe eleven_v4 și Pixabay „Cascade Breathe” (129.83 BPM, listă de lansare la 75.39s).

<script>
Scrie o voce de 9 replici în acest format și adaptează fiecare replică la produsul meu:
„Aceasta este [nume]. O [categorie]... construită pentru [valoare]. [Verb] în ORICE stil. Dă-i o [input] - și pur și simplu... înțelege. Cu cât o folosești mai mult, cu atât devine MAI BUNĂ. Ajustează-i [setarea]. [Setarea]. [Setarea]. Fiecare [ieșire] - exact așa cum ți-ai imaginat-o. [Nume]. Disponibilă acum.”
Folosește etichetele emoționale cu moderație: [încet] pe versurile liniștite și [excitat] pe versul [Verb]. Nu eticheta propoziția de deschidere și încheie-o cu un punct simplu.
</script>

Apelează API-ul ElevenLabs direct folosind cheia mea, fără un MCP. Generează 4 scenarii complete dintr-o singură trecere și lasă-mă să aleg. Dacă o linie nu sună corect, regenerează doar acea linie de 4 ori și îmbină cea mai bună versiune cu scenariul meu.
Scurtați pauzele mai lungi de 0,28 secunde la 0,2 secunde, apoi aduceți fiecare frază cu 85% din distanța către nivelul median, ajustând amplificarea doar în timpul pauzelor.
Pentru temporizarea cuvintelor, divizați citirea la pauze de 100 ms sau mai lungi, transcrieți fiecare segment separat cu Whisper și aliniați primul său cuvânt la începutul măsurat. O singură trecere Whisper poate plasa cuvintele cu până la o jumătate de secundă întârziere.

Un film de lansare pătrat de 22 de secunde, 1440x1440 la 60 fps, în stilul unei lansări de laborator de inteligență artificială: pânză albă, un singur font, cerneală neagră, imagini reale și legende scrise cuvânt cu cuvânt exact în momentul în care sunt rostite.
Fiecare control (bara de prompturi, panoul de setări, pilula de legendă) folosește sticlă lichidă: matuiește scena din spatele ei, curbează acea scenă de-a lungul marginii ca pe o sticlă groasă, apoi adaugă un luciu superior, o margine strălucitoare și o umbră ușoară. Sticla dispare pe albul simplu, așa că adaugă o aură pastelată lentă în culorile mărcii mele sau o estompare a fotografiei din spatele ei.
Cel cu tipuri de cuvinte accentuate într-un gradient de culori ale mărcii mele, cu o strălucire slabă în spate.
Reguli de mișcare: mențineți camera în derivă (apăsați de la 1.0 la 1.04 per scenă; când conținutul trece la scena următoare, începeți de la zoom-ul de unde s-a terminat scena anterioară). Nimic nu apare instantaneu: utilizați estompări atenuate de cel puțin 0.3s. Schimbați imaginile pe note de șaisprezecimi, cu un clic pentru fiecare. Aliniați schimbările de scenă la începutul frazei și aliniați coborârea muzicii cu linia [Verb]. Nu afișați puncte pe ecran.
Interzise: evidențieri în casetele de selecție, clipiri rapide cu ritm, flash-uri albe, 3D, șabloane.

Șapte scene, sincronizate cu vocea:

1. „Acesta este [nume]”: un colaj cu imaginile mele apare pe măsură ce numele este scris cu litere mari, apoi face loc liniei pentru categorii.
2. „făcut pentru [valoare]”: flash-uri pe tot ecranul cu cele mai bune imagini ale mele pornesc note de șaisprezecimi în drop, cu linia scrisă cu alb deasupra lor.
3. Deschiderea: o bară de sticlă cu prompturi tastează un prompt scurt. Cartela cu rezultatul își schimbă stilul la fiecare a șaisprezecea notă, în timp ce un jeton negru de stil se derulează la fiecare nume nou deasupra unei benzi miniaturizate.
4. „Arată-i un moodboard”: 9 imagini zboară într-o grilă de 3x3, apoi încercuiește rezultatul pe măsură ce mesajul „Te prinde” scrie pe ecran.
5. „Cu cât îl folosești mai mult, cu atât devine mai bun”: tastează două linii, cu cuvântul accentuat în gradient.
6. Setările: afișați un panou de sticlă cu 3 glisoare, fiecare mișcându-se așa cum îl numește ea. Schimbați nuanța imaginii, rulați semințe noi pe șaisprezecimi, apoi transformați-o într-un poster. Mutați o spălare neclară a culorilor sale în spatele sticlei în sincron.
7. „Fiecare [rezultat], exact așa cum îl vedeți”: distribuiți în rafale 120 dintre imaginile mele din centru, în spatele unei legende din sticlă, apoi le uniți în sigla mea pe măsură ce numele este tastat. Scrieți „Disponibil acum” dedesubt și mențineți apăsat timp de 2 secunde.

Înlocuiește bara de solicitări, rezultatele și cursoarele cu intrările, ieșirile și setările reale ale produsului meu.

Setează melodia astfel încât picătură să aterizeze pe linia [Verb] și ancorează grila ritmică acolo.
Acoperă muzica sub voce cu un sidechain pe 3 benzi (joase 30%, medii 85%, aer 55%; menținere 0,3s, anticipare 50ms, eliberare 0,5s). Apoi ajustează mediile fiecărei fraze până când vocea se situează cu aproximativ 9 dB deasupra muzicii, între 300 Hz și 4 kHz.
Folosește un efect sonor Mixkit descărcat per eveniment, poziționat în funcție de vârful său măsurat: un clic pentru fiecare schimbare de imagine, un sunet cheie pentru fiecare literă tastată, o aterizare lină pe cuvântul accentuat, șuierături și impacturi asupra căderii și logo-ului. Ajustează fiecare în jurul vârfului său (multe elemente de creștere durează 4 secunde). Atenuează muzica de-a lungul unei curbe dB sub cardul de final. Loudnorm la -14 LUFS.

1. O singură pânză HTML. Fiecare cadru este o funcție pură de timp în interiorul funcției seek(t), iar fiecare legendă și tăietură urmează tabelul de cuvinte.
2. Sticlă: capturați pânza din spatele formei, estompați-o cu aproximativ 14px pentru corp, desenați o copie ușor estompată mărită cu aproximativ 1,06x într-o bandă de 12px de-a lungul marginii, apoi adăugați laptele, luciul, marginea și umbra.
3. Randați cu Playwright la 60fps folosind 8 subcadre de motion-blur, apoi codați cu ffmpeg.
4. Înainte să-mi arăți ceva, fă o foaie de contact cu fotografii, scanează diferențele de cadre pentru a vedea dacă apar mici diferențe (doar sesiunile de șaisprezecimi pot sări) și verifică raportul voce-muzică pentru fiecare frază.

O frază de deschidere [călduroasă] poate suna șoptită, în timp ce [emoționată] poate părea falsă. O casetă evidențiată în spatele unui cuvânt arată ca o selecție de text Windows. Dacă camera se resetează la 1.0 în timpul unei predări, zoomul se oprește. O degradare de 0,05 secunde arată ca o apariție instantanee.

Cere-mi informații, scrie scenariul, trimite-mi 4 înregistrări vocale din care să aleg, apoi arată-mi 8 imagini statice înainte de randarea completă.

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.

Îndemn preluat de la post @rossaxbt.