اورا 2 تصوير ماڊل لانچ فلم

مون کان پڇو: منهنجو پراڊڪٽ جو نالو، هڪ لائن پچ، منهنجو لوگو، پراڊڪٽ جا 3 کان 6 اسڪرين شاٽ، ان جي ٺاهيل شين جون 40+ تصويرون (يا ان جون تصويرون)، منهنجا برانڊ رنگ ۽ فونٽ، هڪ ElevenLabs API ڪي ۽ وائس آئي ڊي، گڏوگڏ هڪ رائلٽي فري ٽريڪ جنهن ۾ هڪ صاف ڊراپ (آڊيو فائل ۽ ڊراپ ٽائيم اسٽيمپ) آهي. جيڪڏهن مان ڪجهه به ڇڏي ڏيان ٿو، ته اهي ڊفالٽ استعمال ڪريو: "Ora 2"، "ذائقي لاءِ ٺهيل هڪ تصويري ماڊل"، Unsplash ۽ Pixabay مان مفت تصويرون، Geist ، ink #111214، eleven_v4 تي آواز Samara X (19STyYD15bswVz51nqLf)، ۽ Pixabay "Cascade Breathe" (129.83 BPM ، 75.39s تي ڊراپ).

<script>
هن فارميٽ ۾ 9 لائينن جو وائس اوور لکو ۽ هر لائين کي منهنجي پراڊڪٽ مطابق ترتيب ڏيو:
"هي [نالو] آهي. هڪ [زمرو]... [قدر] لاءِ ٺهيل آهي. [فعل] ڪنهن به انداز ۾. ان کي [ان پٽ] ڏيو - ۽ اهو صرف... سمجهي ٿو. جيترو وڌيڪ توهان ان کي استعمال ڪندا، اوترو ئي بهتر ٿيندو. ان جي [سيٽنگ] کي ترتيب ڏيو. اهو [سيٽنگ] آهي. اهو [سيٽنگ] آهي. هر [آئوٽ پُٽ] - بلڪل جيئن توهان ان کي تصوير ۾ ڏٺو آهي. [نالو]. هاڻي ٻاهر."
جذبات جي ٽيگ کي احتياط سان استعمال ڪريو: [نرميءَ سان] خاموش لائينن تي ۽ [فعل] لائين تي [پرجوش]. اوپنر کي ٽيگ نه ڪريو، ۽ ان کي هڪ سادي فل اسٽاپ سان ختم ڪريو.
</script>

منهنجي ڪي استعمال ڪندي سڌو سنئون ElevenLabs API کي ڪال ڪريو، بغير MCP. هڪ پاس ۾ 4 مڪمل اسڪرپٽ ٽيڪ ٺاهيو ۽ مون کي چونڊڻ ڏيو. جيڪڏهن ڪا لائن صحيح نه لڳي، ته صرف ان لائن کي 4 ڀيرا ٻيهر پيدا ڪريو ۽ بهترين ورزن کي منهنجي ٽيڪ ۾ ورهايو.
0.28 سيڪنڊن کان 0.2 سيڪنڊن تائين ڊگهي وقفن کي ننڍو ڪريو، پوءِ هر جملي کي 85٪ وچين سطح ڏانهن آڻيو، صرف وقفن دوران حاصلات کي ترتيب ڏيو.
لفظن جي وقت لاءِ، پڙهڻ کي 100 ملي سيڪنڊ يا ان کان وڌيڪ وقفن تي ورهايو، هر حصي کي ويسپر سان الڳ الڳ نقل ڪريو، ۽ ان جي پهرين لفظ کي ماپيل شروعات سان ترتيب ڏيو. هڪ واحد ويسپر پاس لفظن کي اڌ سيڪنڊ دير سان رکي سگهي ٿو.

هڪ 22 سيڪنڊن جي چورس لانچ فلم، 1440x1440 60fps تي، هڪ AI ليب لانچ جي انداز ۾: اڇو ڪينواس، هڪ ٽائيپ فيس، ڪاري مس، حقيقي تصويرون، ۽ ڪيپشن لفظ لفظ ٽائيپ ٿيل آهن صحيح وقت تي جيڪي اهي ڳالهائي رهيا آهن.
هر ڪنٽرول (پرامپٽ بار، سيٽنگ پينل، ڪيپشن پِل) مائع شيشي استعمال ڪندو آهي: ان جي پويان منظر کي ٿڌ ۾ وجهو، ان منظر کي ٿلهي شيشي وانگر ڪنڊ سان موڙيو، پوءِ مٿي جي چمڪ، روشن رم ۽ نرم لفٽ شيڊو شامل ڪريو. شيشو سادي اڇي تي غائب ٿي ويندو آهي، تنهنڪري منهنجي برانڊ رنگن ۾ هڪ سست پيسٽل آورا شامل ڪريو يا ان جي پويان تصوير جو هڪ ڌنڌلو واش شامل ڪريو.
جنهن منهنجي برانڊ رنگن جي گريڊينٽ ۾ لفظن جي ٽائيپ تي زور ڏنو، ان جي پويان هڪ هلڪي چمڪ هئي.
حرڪت جا قاعدا: ڪئميرا کي ڊريفٽنگ رکو (في سين 1.0 کان 1.04 تائين دٻايو؛ جڏهن مواد ايندڙ سين ڏانهن منتقل ٿئي ٿو، زوم تي شروع ڪريو جتي پوئين سين ختم ٿيو هو). ڪجھ به فوري طور تي ظاهر نه ٿيندو: گهٽ ۾ گهٽ 0.3 سيڪنڊن جي آسان فيڊ استعمال ڪريو. 16 هين نوٽس تي تصويرون تبديل ڪريو، هر هڪ لاءِ هڪ ڪلڪ سان. جملي جي شروعات تي منظر ۾ تبديليون لينڊ ڪريو، ۽ ميوزڪ ڊراپ کي [فعل] لائن سان ترتيب ڏيو. اسڪرين تي فل اسٽاپ نه ڏيکاريو.
منع ٿيل: سليڪشن باڪس هاءِ لائيٽس، بيٽ سنيپڊ سليمز، وائيٽ فليشز، 3D، ٽيمپليٽ.

ست منظر، آواز جي وقت تي:

1. "هي [نالو] آهي": منهنجي تصويرن جو هڪ ڪولاج وڏي ۾ نالو ٽائپ ڪرڻ سان ٻاهر نڪري ٿو، پوءِ ڪيٽيگري لائن ڏانهن رستو ڏئي ٿو.
2. "made for [value]": منهنجي بهترين تصويرن جون پوري اسڪرين واريون چمڪيون 16 هين نوٽس کي ڊراپ ۾ سوئچ ڪن ٿيون، انهن جي مٿان اڇي رنگ ۾ لڪير ٽائيپ ٿيل آهي.
3. ڦوٽو: هڪ شيشي جي پرامپٽ بار هڪ مختصر پرامپٽ ٽائيپ ڪري ٿو. نتيجو ڪارڊ هر 16 هين نوٽ تي انداز تبديل ڪندو آهي، جڏهن ته هڪ ڪارو انداز چپ هڪ ٿمب نيل پٽي جي مٿان هر نئين نالي ڏانهن رول ڪندو آهي.
4. "ان کي هڪ موڊ بورڊ ڏيکاريو": 9 تصويرون 3x3 گرڊ ۾ اڏامنديون آهن، پوءِ نتيجي کي گول ڪريو جيئن اسڪرين تي "اهو توهان کي حاصل ڪري ٿو" ٽائپ ڪري ٿو.
5. "جيترو وڌيڪ توهان ان کي استعمال ڪندا، اوترو بهتر ٿيندو": گريڊينٽ ۾ زور ڏنل لفظ سان ٻه لائينون ٽائيپ ڪريو.
6. سيٽنگون: 3 سلائڊرن سان هڪ شيشي جو پينل ڏيکاريو، هر هڪ جيئن هوءَ ان کي نالو ڏئي ٿي حرڪت ڪري ٿي. تصوير جو رنگ تبديل ڪريو، 16 هين تي نوان ٻج رول ڪريو، پوءِ ان کي پوسٽر ۾ تبديل ڪريو. شيشي جي پويان ان جي رنگن جو هڪ ڌنڌلو ڌوڙ هم وقت سازي ۾ منتقل ڪريو.
7. "هر [آئوٽ پُٽ]، بلڪل جيئن توهان ان کي ڏسو ٿا": منهنجي 120 تصويرن کي شيشي جي ڪيپشن پِل جي پويان مرڪز کان ٻاهر ڦاڙيو، پوءِ انهن کي منهنجي لوگو ۾ گڏ ڪريو جيئن نالو ٽائپ ٿئي ٿو. "هاڻي ٻاهر" کي هيٺ رکو ۽ 2 سيڪنڊن لاءِ رکو.

پرامپٽ بار، نتيجا ۽ سلائڊرز کي منهنجي پراڊڪٽ جي حقيقي ان پٽ، آئوٽ پُٽ ۽ سيٽنگز سان تبديل ڪريو.

گيت کي اهڙي طرح سيٽ ڪريو ته ڊراپ [فعل] لائن تي اچي، ۽ اتي بيٽ گرڊ کي لنگر انداز ڪريو.
3-بينڊ سائڊ چين سان موسيقي کي آواز جي هيٺان دٻايو (گهٽ 30٪، وچ 85٪، هوا 55٪؛ 0.3s هولڊ، 50ms لُڪ-ايڊ، 0.5s رليز). پوءِ هر جملي جي وچ کي ترتيب ڏيو جيستائين آواز 300 Hz ۽ 4 kHz جي وچ ۾ موسيقي کان 9 dB مٿي نه وڃي.
هر تقريب ۾ هڪ ڊائون لوڊ ڪيل Mixkit SFX استعمال ڪريو، ان جي ماپيل چوٽي جي لحاظ کان پوزيشن ڪئي وئي: هر تصوير جي تبديلي لاءِ هڪ ڪلڪ، هر ٽائيپ ٿيل اکر لاءِ هڪ اهم آواز، زور ڏنل لفظ تي هڪ نرم لينڊنگ، whooshes، ۽ ڊراپ ۽ لوگو تي اثر. هر هڪ کي ان جي چوٽي جي چوڌاري ٽرم ڪريو (ڪيترائي رائزر 4 سيڪنڊ آهن). آخري ڪارڊ جي هيٺان هڪ dB وکر سان موسيقي کي فيڊ ڪريو. Loudnorm -14 LUFS تائين.

1. هڪ HTML ڪينواس. هر فريم seek(t) اندر وقت جو هڪ خالص ڪم آهي، ۽ هر ڪيپشن ۽ ڪٽ لفظ ٽيبل جي پيروي ڪري ٿو.
2. شيشو: شڪل جي پويان ڪينواس کي پڪڙيو، ان کي باڊي لاءِ تقريباً 14px بلور ڪريو، ڪنڊ سان 12px بينڊ ۾ تقريباً 1.06x وڏي ڪيل هڪ هلڪي بلور ڪاپي ٺاهيو، پوءِ کير، چمڪ، رِم ۽ پاڇو شامل ڪريو.
3. 8 موشن بلر سب فريم استعمال ڪندي 60fps تي Playwright سان رينڊر ڪريو، پوءِ ffmpeg سان انڪوڊ ڪريو.
4. مون کي ڪجهه به ڏيکارڻ کان اڳ، اسٽلز جي ڪانٽيڪٽ شيٽ ٺاهيو، سنگل فريم پاپس لاءِ فريم فرق اسڪين ڪريو (صرف 16هين نوٽ رن جمپ ڪري سگهن ٿا)، ۽ هر جملي لاءِ آواز کان موسيقي جي تناسب کي چيڪ ڪريو.

هڪ [گرميءَ سان] اوپنر وسوسا ڏيندڙ آواز ڏئي سگهي ٿو، جڏهن ته [پرجوش] جعلي محسوس ڪري سگهي ٿو. لفظ جي پويان هڪ نمايان باڪس ونڊوز ٽيڪسٽ جي چونڊ وانگر نظر اچي ٿو. جيڪڏهن ڪئميرا هٿ بند ڪرڻ دوران 1.0 تي ري سيٽ ٿئي ٿو، ته زوم اسنيپ ٿي ويندو آهي. 0.05s جو فيڊ هڪ فوري پاپ ان وانگر نظر اچي ٿو.

مون کان ان پٽ لاءِ پڇو، اسڪرپٽ لکو، مون کي چونڊڻ لاءِ 4 وائس ٽيڪ موڪليو، پوءِ مڪمل رينڊر کان اڳ مون کي 8 اسٽلز ڏيکاريو.

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.

کان ورتو ويو پرامٽ پوسٽ @rossaxbt.