Подешавање: Филм о лансирању модела Ora 2 Image

Питајте ме за: назив мог производа, једноредну презентацију, мој лого, 3 до 6 снимака екрана производа, преко 40 слика онога што ствара (или фотографија тога), боје и фонт мог бренда, ElevenLabs API кључ и идентификатор гласа, плус бесплатну нумеру са јасним падом (аудио датотека и временска ознака пада). Ако нешто прескочим, користите ове подразумеване вредности: „Ora 2“, „модел слике направљен за укус“, бесплатне слике са Unsplash-а и Pixabay-а, Geist, ink #111214, глас Samara X (19STyYD15bswVz51nqLf) на eleven_v4 и Pixabay „Cascade Breathe“ (129,83 BPM, пад на 75,39s).

<script>
Напишите гласовни текст од 9 редова у овом формату и прилагодите сваки ред мом производу:
„Ово је [име]. [категорија]... направљена за [вредност]. [глагол] у БИЛО КОЈЕМ стилу. Дајте јој [унос] - и она једноставно... разуме. Што је више користите, то је БОЉА. Прилагодите њену [подешавање]. Његову [подешавање]. Његову [подешавање]. Сваки [излаз] - тачно онако како сте је замислили. [Име]. Сада напољу.“
Користите ознаке емоција штедљиво: [тихо] у тихим стиховима и [узбуђено] у стиху [Verb]. Немојте означавати уводну реченицу и завршите је обичном тачком.
</script>

Позовите ElevenLabs API директно користећи мој кључ, без MCP а. Генеришите 4 потпуна скриптна покушаја у једном пролазу и пустите ме да бирам. Ако неки ред не звучи добро, регенеришите само тај ред 4 пута и спојите најбољу верзију у мој покушај.
Скратите паузе дуже од 0,28 с на 0,2 с, затим сваку фразу подигните на 85% ближе средњем нивоу, подешавајући појачање само током пауза.
За мерење времена речи, поделите читање на паузе од 100 ms или дуже, транскрибујте сваки сегмент засебно помоћу Whisper-а и поравнајте његову прву реч са измереним почетком. Један Whisper пролаз може да постави речи до пола секунде касније.

Квадратни филм за лансирање у трајању од 22 секунде, 1440x1440 при 60 кадрова у секунди, у стилу лабораторија за вештачку интелигенцију: бело платно, један фонт, црно мастило, праве слике и титлови откуцани реч по реч у тачном тренутку када су изговорени.
Свака контрола (трака са упутствима, панел са подешавањима, пилула за натписе) користи течно стакло: замрзните сцену иза ње, савијте ту сцену дуж ивице као дебело стакло, затим додајте горњи сјај, светао обод и меку сенку. Стакло нестаје на обичној белој боји, па додајте спору пастелну ауру у мојим бојама бренда или замућени прелив фотографије иза ње.
Један је нагласио типове речи у градијенту боја мог бренда, са слабим сјајем иза њега.
Правила кретања: одржавајте камеру у лебдењу (померајте брзину од 1,0 до 1,04 по сцени; када се садржај помери на следећу сцену, почните од зума где се претходна сцена завршила). Ништа се не појављује тренутно: користите ублажене постепене промене од најмање 0,3 секунде. Мењајте слике на шеснаестинама, кликом за сваку. Промене сцена на почетку фразе и поравнајте пад музике са линијом [Verb]. Не приказујте тачке на екрану.
Забрањено: истакнути делови оквира за селекцију, слемови снимљени ритмом, бели бљескови, 3Д, шаблони.

Седам сцена, темпирано према гласу:

1. „Ово је [име]“: колаж мојих слика се појављује док се име куца великим словима, а затим уступа место линији категорије.
2. „направљено за [вредност]“: бљескови мојих најбољих слика преко целог екрана пребацују се на шеснаестине у пад, са линијом откуцаном белом бојом преко њих.
3. Пад: стаклена трака са упутствима откуцава кратак упут. Картица са резултатима мења стил сваке шеснаестине ноте, док се црни чип са стилом котрља до сваког новог имена изнад траке са сличицама.
4. „Прикажи мудборд“: 9 слика се поређа у мрежу 3x3, а затим заокружи резултат док на екрану куца „Достиже те“.
5. „Што га више користиш, то је боље“: откуцајте два реда, са наглашеном речју у градијенту.
6. Подешавања: прикажите стаклену плочу са 3 клизача, сваки се помера како га она именује. Промените нијансу слике, котрљајте нова семена на шеснаестине, а затим је претворите у постер. Померите замућени прелив њених боја иза стакла синхронизовано.
7. „Сваки [излаз], тачно онако како га ви видите“: рафално прикажите 120 мојих слика од центра ка споља иза стаклене пилуле са натписима, а затим их спојите у мој лого док се име куца. Напишите „Излаз сада“ испод и држите 2 секунде.

Замени траку са упутствима, резултате и клизаче стварним улазом, излазима и подешавањима мог производа.

Поставите песму тако да кап падне на линију [Verb] и тамо усидрите мрежу ритма.
Угушите музику испод гласа помоћу тропојасног бочног чејна (ниски тонови 30%, средњи 85%, ваздух 55%; 0,3 с задржавање, 50 мс унапред, 0,5 с отпуштање). Затим подесите средње тонове сваке фразе док глас не буде око 9 dB изнад музике између 300 Hz и 4 kHz.
Користите један преузети Mixkit SFX по догађају, позициониран према његовом измереном врхунцу: клик за сваку промену слике, звук тастера за свако откуцано слово, меко слетање на наглашену реч, шуштање и ударци на пад и лого. Скратите сваки око његовог врхунца (много успона је 4 секунде). Постепено постепено постепено утишајте музику дуж dB криве испод крајње картице. Loudnorm до -14 LUFS.

1. Једно HTML платно. Сваки фрејм је чиста функција времена унутар seek(t), а сваки натпис и рез прати табелу речи.
2. Стакло: снимите платно иза облика, замутите га око 14px за тело, нацртајте благо замућену копију увећану око 1,06x у траци од 12px дуж ивице, затим додајте млеко, сјај, обод и сенку.
3. Рендерујте помоћу Playwright при 60fps користећи 8 подфрејмова са замућењем покрета, а затим кодирајте помоћу ffmpeg.
4. Пре него што ми било шта покажете, направите контактни лист фотографија, скенирајте разлике у кадровима да бисте пронашли појаве појава у појединачним кадровима (само шеснаестине могу да прескачу) и проверите однос гласа и музике за сваку фразу.

Топло отварајућа реч може звучати шапутано, док узбуђено може деловати лажно. Означени оквир иза речи изгледа као селекција текста у оперативном систему Windows. Ако се камера ресетује на 1.0 током примопредаје, зумирање се аутоматски активира. Постепено постепено померање од 0.05 секунди изгледа као тренутно појављивање.

Питај ме за улазне податке, напиши сценарио, пошаљи ми 4 гласовна снимка за избор, а затим ми покажи 8 кадрова пре потпуног рендеровања.

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.

Упит преузет из објава @rossaxbt.