Ora 2 bildmodell lanseringsfilm

Fråga mig om: mitt produktnamn, en enradig pitch, min logotyp, 3 till 6 skärmdumpar av produkten, 40+ bilder av vad den skapar (eller foton av den), mina varumärkesfärger och typsnitt, en ElevenLabs API-nyckel och röst-ID, plus ett royaltyfritt spår med en tydlig dropp (ljudfilen och dropptidsstämpeln). Om jag hoppar över något, använd dessa standardvärden: "Ora 2", "en bildmodell gjord för smak", gratisbilder från Unsplash och Pixabay, Geist, bläck #111214, rösten Samara X (19STyYD15bswVz51nqLf) på eleven_v4, och Pixabay "Cascade Breathe" (129.83 BPM, dropp vid 75.39s).

<script>
Skriv en 9-radig berättarröst i detta format och anpassa varje rad till min produkt:
"Detta är [namn]. En [kategori]... byggd för [värde]. [Verb] i ALLA stilar. Ge den en [input] - och den bara... förstår. Ju mer du använder den, desto BÄTTRE blir den. Justera dess [inställning]. Dess [inställning]. Dess [inställning]. Varje [utgång] - precis som du föreställde dig den. [Namn]. Ute nu."
Använd känslomässiga taggar sparsamt: [mjukt] på de tysta raderna och [upphetsad] på [verb]-raden. Tagga inte inledningen, och avsluta den med en vanlig punkt.
</script>

Anropa ElevenLabs API direkt med min nyckel, utan en MCP. Generera fyra fullständiga skripttagningar i ett svep och låt mig välja. Om en rad inte låter rätt, generera bara den raden fyra gånger och skarva in den bästa versionen i min tagning.
Förkorta pauser längre än 0,28 sekunder till 0,2 sekunder, flytta sedan varje fras 85 % mot mediannivån, och justera endast förstärkningen under pauser.
För ordtider, dela upp läsningen i pauser på 100 ms eller längre, transkribera varje segment separat med Whisper och justera dess första ord till den uppmätta början. Ett enda Whisper-pass kan placera ord upp till en halv sekund för sent.

En 22 sekunder lång fyrkantig lanseringsfilm, 1440x1440 vid 60fps, i stil med en AI-labblansering: vit duk, ett typsnitt, svart bläck, riktiga bilder och bildtexter skrivna ord för ord vid exakt den tidpunkt de sägs.
Varje kontroll (uppmaningsfält, inställningspanel, bildtextpiller) använder flytande glas: frosta scenen bakom den, böj scenen längs kanten som tjockt glas, lägg sedan till en toppglans, ljus kant och mjuk lyftskugga. Glas försvinner på vanligt vitt, så lägg till en långsam pastell aura i mina varumärkesfärger eller en suddig tvätt av fotot bakom den.
Den betonade ordtyper i en gradient av mina varumärkesfärger, med ett svagt sken bakom.
Rörelseregler: håll kameran i drift (flytta från 1,0 till 1,04 per scen; när innehållet flyttas till nästa scen, börja vid zoomen där föregående scen slutade). Ingenting visas direkt: använd lättade övertoningar på minst 0,3 sekunder. Byt bilder på 16-delsnoter, med ett klick för varje. Placera scenbytena vid frasstart och justera musikdroppet med [Verb]-linjen. Visa inte punkter på skärmen.
Förbjudna: markeringsrutor, beat-snappade slams, vita blixtar, 3D, mallar.

Sju scener, tajmade till rösten:

1. "Detta är [namn]": ett kollage av mina bilder visas när namnet skrivs in i stort format och ger sedan vika för kategoriraden.
2. "made for [value]": helskärmsblixtar av mina bästa bilder växlar till 16-delsnoter i droppen, med linjen skriven i vitt över dem.
3. Droppen: en glaspromptrad skriver en kort prompt. Resultatkortet ändrar stil var 16:e not, medan en svart chip rullar till varje nytt namn ovanför en miniatyrremsa.
4. "Visa en moodboard": 9 bilder flyger in i ett 3x3-rutnät och ringa sedan in resultatet medan "Det får dig" skrivs på skärmen.
5. "Ju mer du använder det, desto bättre blir det": skriv två rader, med det betonade ordet i övertoningen.
6. Inställningarna: visa en glasruta med tre reglage, som vart och ett rör sig när hon namnger det. Ändra bildens nyans, rulla nya frön på 16:e och förvandla den sedan till en affisch. Flytta en suddig färgton bakom glaset synkroniserat.
7. "Varje [utdata], exakt som du ser det": skjut ut 120 av mina bilder utåt från mitten bakom en bildtext i glas, och sammanför dem sedan till min logotyp medan namnet skrivs. Skriv "Ute nu" under och håll i 2 sekunder.

Ersätt promptfältet, resultaten och skjutreglagen med min produkts verkliga indata, utdata och inställningar.

Ställ låten så att droppen landar på [Verb]-linjen och förankra taktslaget där.
Ducka musiken under rösten med en 3-bands sidkedja (lågfrekvens 30%, mellanfrekvens 85%, luftfrekvens 55%; 0,3s hold, 50ms look-ahead, 0,5s release). Justera sedan mellanfrekvensen i varje fras tills rösten ligger cirka 9 dB över musiken mellan 300 Hz och 4 kHz.
Använd en nedladdad Mixkit SFX per händelse, positionerad efter dess uppmätta topp: ett klick för varje bildbyte, ett tangentljud för varje skriven bokstav, en mjuk landning på det betonade ordet, sus och effekter på droppen och logotypen. Trimma varje runt dess topp (många risers är 4 sekunder långa). Tona musiken längs en dB-kurva under slutkortet. Loudnorm till -14 LUFS.

1. En HTML arbetsyta. Varje bildruta är en ren funktion av tiden inuti seek(t), och varje bildtext och klipp följer ordtabellen.
2. Glas: fånga duken bakom formen, sudda ut den cirka 14px för kroppen, rita en lätt suddig kopia förstorad cirka 1,06x i ett 12px band längs kanten, lägg sedan till mjölk, glans, kant och skugga.
3. Rendera med Playwright i 60fps med 8 delbilder för rörelseoskärpa och koda sedan med ffmpeg.
4. Innan du visar mig något, gör en kontaktkarta med stillbilder, skanna bildruteskillnader för att hitta popp i enskilda bildrutor (endast 16:e notens löp får hoppa) och kontrollera förhållandet mellan röst och musik för varje fras.

En [varm] öppningsfras kan låta viskad, medan [upphetsad] kan kännas falsk. En markeringsruta bakom ett ord ser ut som en textmarkering i Windows. Om kameran återställs till 1.0 under en överlämning stängs zoomen av. En 0,05 sekunders toning ser ut som ett omedelbart pop-in-ljud.

Be mig om input, skriv manuset, skicka mig fyra rösttagningar att välja mellan och visa mig sedan åtta stillbilder innan den fullständiga renderingen.

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.

Uppmaning hämtad från posta @rossaxbt.