Filmi i lançimit të modelit të imazhit Ora 2

Më pyet për: emrin e produktit tim, një prezantim me një rresht, logon time, 3 deri në 6 pamje të ekranit të produktit, mbi 40 imazhe të asaj që krijon (ose foto të tij), ngjyrat dhe fontin e markës sime, një çelës API dhe ID zëri nga ElevenLabs, plus një këngë pa pagesë për të drejtat e autorit me një rënie të qartë (skedari audio dhe pulla kohore e rënies). Nëse anashkaloj diçka, përdor këto parazgjedhje: "Ora 2", "një model imazhi i bërë për shije", imazhe falas nga Unsplash dhe Pixabay, Geist, ink #111214, zëri Samara X (19STyYD15bswVz51nqLf) në eleven_v4, dhe Pixabay "Cascade Breathe" (129.83 BPM, rënie në 75.39s).

<script>
Shkruaj një zë zëri me 9 rreshta në këtë format dhe përshtat çdo rresht me produktin tim:
"Ky është [emri]. Një [kategori]... e ndërtuar për [vlera]. [Folje] në ÇDO stil. Jepi një [input] - dhe ai thjesht... e kupton. Sa më shumë ta përdorësh, aq më MIRË bëhet. Rregullo [cilësimin] e tij. [cilësimin] e tij. [cilësimin] e tij. Çdo [dalje] - pikërisht siç e imagjinuat. [Emri]. Tani në dispozicion."
Përdorini etiketat e emocioneve me kursim: [butësisht] në rreshtat e qetë dhe [i ngazëllyer] në rreshtin [Folje]. Mos e etiketoni pjesën hyrëse dhe përfundojeni atë me një pikë të thjeshtë.
</script>

Thirrni API-n ElevenLabs direkt duke përdorur çelësin tim, pa një MCP. Gjeneroni 4 skena të plota skripti me një kalim dhe më lini mua të zgjedh. Nëse një rresht nuk tingëllon siç duhet, rigjeneroni vetëm atë rresht 4 herë dhe bashkoni versionin më të mirë në skenat e mia.
Shkurtoni pauzat më të gjata se 0.28 sekonda në 0.2 sekonda, pastaj sillni secilën frazë 85% të rrugës drejt nivelit mesatar, duke rregulluar përforcimin vetëm gjatë pauzave.
Për kohëzgjatjen e fjalëve, ndani leximin në pauza prej 100 ms ose më shumë, transkriboni secilin segment veçmas me Whisper dhe përshtatni fjalën e tij të parë me fillimin e matur. Një kalim i vetëm Whisper mund t'i vendosë fjalët deri në gjysmë sekonde me vonesë.

Një film lançimi katror prej 22 sekondash, 1440x1440 me 60fps, në stilin e një lançimi në laboratorin e inteligjencës artificiale: kanavacë e bardhë, një font i vetëm, bojë e zezë, imazhe reale dhe mbishkrime të shtypura fjalë për fjalë në kohën e saktë që shqiptohen.
Çdo kontroll (shiriti i njoftimeve, paneli i cilësimeve, tabela e titrave) përdor xham të lëngshëm: lyejeni skenën pas saj me akull, përkuleni atë skenë përgjatë skajit si xham i trashë, pastaj shtoni një shkëlqim sipërfaqësor, një buzë të ndritshme dhe një hije të butë. Xhami zhduket në të bardhën e thjeshtë, kështu që shtoni një aurë të ngadaltë pastel në ngjyrat e markës sime ose një larje të turbullt të fotos pas saj.
Fjalët e theksuara shtypen në një gradient të ngjyrave të markës sime, me një shkëlqim të zbehtë pas tyre.
Rregullat e lëvizjes: mbajeni kamerën në lëvizje (shtyni nga 1.0 në 1.04 për skenë; kur përmbajtja lëviz në skenën tjetër, filloni nga zmadhimi ku mbaroi skena e mëparshme). Asgjë nuk shfaqet menjëherë: përdorni zbehje të lehtësuar prej të paktën 0.3 sekondash. Ndryshoni imazhet në notat e 16-ta, me një klikim për secilën. Vendosni ndryshimet e skenës në fillim të frazave dhe përputhni rënien e muzikës me vijën [Folje]. Mos shfaqni pika në ekran.
Të ndaluara: pikat kryesore të kutisë së përzgjedhjes, goditjet e shkrepura nga ritmi, shkëndijat e bardha, 3D, shabllone.

Shtatë skena, të sinkronizuara me zërin:

1. "Ky është [emri]": një kolazh me imazhet e mia zhduket ndërsa emri shkruhen me shkronja të mëdha, pastaj ia lë vendin rreshtit të kategorisë.
2. "bërë për [vlerë]": shkrepjet në ekran të plotë të imazheve të mia më të mira ndizen në notat e 16-ta në depol, me vijën e shtypur me të bardhë sipër tyre.
3. Rënia: një shirit mesazhesh prej qelqi shkruan një mesazh të shkurtër. Karta e rezultatit ndryshon stilin çdo notë të 16-të, ndërsa një çip i zi rrotullohet për çdo emër të ri mbi një shirit miniaturë.
4. "Shfaqe në një tabelë humori": 9 imazhe fluturojnë në një rrjetë 3x3, pastaj rretho rezultatin ndërsa shkruan "Të kap" në ekran.
5. "Sa më shumë ta përdorësh, aq më mirë bëhet": shkruaj dy rreshta, me fjalën e theksuar në gradient.
6. Cilësimet: tregoni një panel xhami me 3 rrëshqitës, secili lëviz siç e emërton ajo. Zhvendosni nuancën e imazhit, rrotulloni fara të reja në të 16-tat, pastaj shndërrojeni atë në një poster. Zhvendosni një shtresë të turbullt të ngjyrave të tij pas xhamit në sinkronizim.
7. "Çdo [rezultat], pikërisht siç e shihni ju": hapni 120 imazhe të mia nga qendra pas një tablete qelqi me mbishkrime, pastaj bashkojini ato në logon time ndërsa emri shtypet. Vendosni "Out now" poshtë dhe mbajeni për 2 sekonda.

Zëvendësoni shiritin e kërkesave, rezultatet dhe rrëshqitësit me të dhënat hyrëse, dalëse dhe cilësimet reale të produktit tim.

Vendos këngën në mënyrë që pika të bjerë në vijën e [Foljes] dhe ankoro rrjetën e ritmit atje.
Zvogëloni frekuencat e muzikës nën zë me një zinxhir anësor me 3 banda (frekuencat e ulëta 30%, frekuencat e mesme 85%, frekuencat ajrore 55%; pritje 0.3s, parashikim 50ms, lirim 0.5s). Pastaj rregulloni frekuencat e mesme të secilës frazë derisa zëri të jetë rreth 9 dB mbi muzikën midis 300 Hz dhe 4 kHz.
Përdorni një SFX të shkarkuar të Mixkit për çdo ngjarje, të pozicionuar sipas kulmit të matur: një klikim për çdo ndryshim imazhi, një tingull tasti për çdo shkronjë të shtypur, një ulje e butë në fjalën e theksuar, fishkëllima dhe ndikime në rënie dhe logo. Shkurtoni secilën rreth kulmit të saj (shumë ngritje janë 4 sekonda). Zbehni muzikën përgjatë një kurbe dB nën kartën e fundit. Normalizimi i zhurmës në -14 LUFS.

1. Një kanavacë HTML. Çdo kornizë është një funksion i pastër i kohës brenda seek(t), dhe çdo mbishkrim dhe prerje ndjek fjalën table.
2. Xhami: kapni kanavacën pas formës, turbullojeni atë rreth 14px për trupin, vizatoni një kopje pak të turbullt të zmadhuar rreth 1.06x në një brez 12px përgjatë skajit, pastaj shtoni qumështin, shkëlqimin, buzën dhe hijen.
3. Renderoni me Playwright në 60fps duke përdorur 8 nën-korniza me turbullim lëvizjeje, pastaj kodojeni me ffmpeg.
4. Përpara se të më tregosh ndonjë gjë, bëj një fletë kontakti me fotografi, skano ndryshimet e kuadrit për shpërthime në një kuadër të vetëm (vetëm notat e 16-ta mund të kalojnë) dhe kontrollo raportin zë-muzikë për çdo frazë.

Një hapje [e ngrohtë] mund të tingëllojë si e pëshpëritur, ndërsa [e ngazëllyer] mund të duket e rreme. Një kuti theksimi pas një fjale duket si një përzgjedhje teksti në Windows. Nëse kamera rivendoset në 1.0 gjatë një kalimi, zmadhimi fiket. Një zbehje prej 0.05 sekondash duket si një shfaqje e menjëhershme.

Më pyet për të dhënat hyrëse, shkruaj skenarin, më dërgo 4 tinguj zanorë për të zgjedhur dhe pastaj më trego 8 imazhe statike para renderimit të plotë.

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.

Njoftim i marrë nga post @rossaxbt.