ఓరా 2 ఇమేజ్ మోడల్ లాంచ్ ఫిల్మ్

నన్ను ఇవి అడగండి: నా ఉత్పత్తి పేరు, ఒక వాక్య పరిచయం, నా లోగో, ఉత్పత్తికి సంబంధించిన 3 నుండి 6 స్క్రీన్‌షాట్‌లు, అది సృష్టించే దాని యొక్క 40కి పైగా చిత్రాలు (లేదా దాని ఫోటోలు), నా బ్రాండ్ రంగులు మరియు ఫాంట్, ఒక ElevenLabs API కీ మరియు వాయిస్ ID, అదనంగా స్పష్టమైన డ్రాప్‌తో కూడిన రాయల్టీ-రహిత ట్రాక్ (ఆడియో ఫైల్ మరియు డ్రాప్ టైమ్‌స్టాంప్). నేను ఏదైనా వదిలేస్తే, ఈ డిఫాల్ట్‌లను ఉపయోగించండి: "Ora 2", "రుచికి తగినట్లుగా తయారు చేయబడిన ఒక ఇమేజ్ మోడల్", Unsplash మరియు Pixabay నుండి ఉచిత చిత్రాలు, Geist, ఇంక్ #111214, eleven_v4 లోని వాయిస్ Samara X (19STyYD15bswVz51nqLf), మరియు Pixabay "Cascade Breathe" (129.83 BPM, 75.39s వద్ద డ్రాప్).

<script>
ఈ ఫార్మాట్‌లో 9 లైన్ల వాయిస్‌ఓవర్ వ్రాసి, ప్రతి లైన్‌ను నా ప్రొడక్ట్‌కు అనుగుణంగా మార్చండి:
ఇది [పేరు]. ఒక [వర్గం]... [విలువ] కోసం నిర్మించబడింది. ఏ శైలిలోనైనా [క్రియ]. దీనికి ఒక [ఇన్‌పుట్] ఇవ్వండి - అది... అర్థం చేసుకుంటుంది. మీరు దీన్ని ఎంత ఎక్కువగా ఉపయోగిస్తే, అది అంత మెరుగవుతుంది. దీని [సెట్టింగ్]. దీని [సెట్టింగ్]. దీని [సెట్టింగ్]. ప్రతి [అవుట్‌పుట్] - మీరు ఊహించినట్లే ఉంటుంది. [పేరు]. ఇప్పుడు అందుబాటులో ఉంది.
భావోద్వేగ ట్యాగ్‌లను మితంగా వాడండి: నిశ్శబ్ద పంక్తులలో [మెల్లగా] మరియు [క్రియ] పంక్తిలో [ఉత్తేజితంగా]. ప్రారంభ పదాన్ని ట్యాగ్ చేయవద్దు, మరియు దానిని ఒక సాధారణ ఫుల్ స్టాప్‌తో ముగించండి.
</script>

MCP లేకుండా, నా కీని ఉపయోగించి ElevenLabs APIని నేరుగా కాల్ చేయండి. ఒకే పాస్‌లో 4 పూర్తి-స్క్రిప్ట్ టేక్‌లను రూపొందించి, నన్ను ఎంచుకోనివ్వండి. ఒక లైన్ సరిగ్గా వినిపించకపోతే, కేవలం ఆ లైన్‌ను 4 సార్లు పునఃసృష్టించి, ఉత్తమమైన వెర్షన్‌ను నా టేక్‌లోకి చేర్చండి.
0.28 సెకన్ల కంటే ఎక్కువ నిడివి ఉన్న విరామాలను 0.2 సెకన్లకు తగ్గించండి, ఆపై ప్రతి పదబంధాన్ని మధ్యస్థ స్థాయికి 85% వరకు తీసుకురండి, విరామాల సమయంలో మాత్రమే గెయిన్‌ను సర్దుబాటు చేయండి.
పదాల సమయాలను నిర్ధారించడానికి, చదివిన దానిని 100ms లేదా అంతకంటే ఎక్కువ విరామాలతో విభజించి, ప్రతి విభాగాన్ని విస్పర్ (Whisper) ఉపయోగించి విడివిడిగా లిప్యంతరీకరించండి, ఆపై దాని మొదటి పదాన్ని కొలవబడిన ఆరంభానికి సమలేఖనం చేయండి. ఒకే విస్పర్ పాస్ పదాలను అర సెకను వరకు ఆలస్యంగా ఉంచగలదు.

ఒక AI ల్యాబ్ లాంచ్ శైలిలో రూపొందించిన 22-సెకన్ల చదరపు లాంచ్ ఫిల్మ్, 1440x1440 రిజల్యూషన్ మరియు 60fps వద్ద: తెల్లటి కాన్వాస్, ఒకే ఫాంట్, నల్ల సిరా, నిజమైన చిత్రాలు, మరియు మాట్లాడిన కచ్చితమైన సమయంలో పదం పదం టైప్ చేయబడిన క్యాప్షన్‌లు.
ప్రతి నియంత్రణ (ప్రాంప్ట్ బార్, సెట్టింగ్స్ ప్యానెల్, క్యాప్షన్ పిల్) లిక్విడ్ గ్లాస్‌ను ఉపయోగిస్తుంది: దాని వెనుక ఉన్న దృశ్యాన్ని మసకగా చేసి, ఆ దృశ్యాన్ని మందపాటి గాజులా అంచు వెంబడి వంచి, ఆపై పై మెరుపు, ప్రకాశవంతమైన అంచు మరియు మృదువైన లిఫ్ట్ షాడోను జోడించండి. సాదా తెలుపుపై గాజు కనిపించదు, కాబట్టి నా బ్రాండ్ రంగులలో నెమ్మదైన పాస్టెల్ కాంతిని లేదా దాని వెనుక ఉన్న ఫోటో యొక్క అస్పష్టమైన వాష్‌ను జోడించండి.
నొక్కి చెప్పబడిన ఆ ఒక్క పదం నా బ్రాండ్ రంగుల క్రమంలో, దాని వెనుక ఒక మసక కాంతితో కనిపిస్తుంది.
చలన నియమాలు: కెమెరాను డ్రిఫ్ట్ అవుతూ ఉండేలా చూసుకోండి (ప్రతి సీన్‌కు 1.0 నుండి 1.04 వరకు పుష్ చేయండి; కంటెంట్ తదుపరి సీన్‌కు వెళ్లినప్పుడు, మునుపటి సీన్ ముగిసిన జూమ్ వద్ద ప్రారంభించండి). ఏదీ తక్షణమే కనిపించదు: కనీసం 0.3 సెకన్ల ఈజ్డ్ ఫేడ్స్‌ను ఉపయోగించండి. ప్రతి 16వ నోట్‌కు ఒక క్లిక్‌తో చిత్రాలను మార్చండి. పదబంధాల ప్రారంభంలో సీన్ మార్పులను చేర్చండి మరియు మ్యూజిక్ డ్రాప్‌ను [క్రియ] లైన్‌తో సమలేఖనం చేయండి. స్క్రీన్‌పై ఫుల్ స్టాప్‌లను చూపవద్దు.
నిషేధించబడినవి: సెలక్షన్-బాక్స్ హైలైట్స్, బీట్-స్నాప్డ్ స్లామ్స్, వైట్ ఫ్లాషెస్, 3D, టెంప్లేట్లు.

ఏడు దృశ్యాలు, స్వరానికి అనుగుణంగా సమయం నిర్దేశించబడింది:

1. "ఇది [పేరు]": పేరు పెద్ద అక్షరాలతో టైప్ అవుతుండగా నా చిత్రాల కొలాజ్ కనబడుతుంది, ఆపై కేటగిరీ లైన్‌కు దారి ఇస్తుంది.
2. "made for [value]": నా ఉత్తమ చిత్రాలు పూర్తి-స్క్రీన్‌లో మెరుస్తూ, 16వ నోట్లను డ్రాప్‌లోకి మారుస్తాయి, వాటిపై తెల్లటి రంగులో లైన్ టైప్ చేయబడి ఉంటుంది.
3. ది డ్రాప్: ఒక గాజు ప్రాంప్ట్ బార్ ఒక చిన్న ప్రాంప్ట్‌ను టైప్ చేస్తుంది. ఫలిత కార్డ్ ప్రతి 16వ నోట్‌కు శైలిని మారుస్తుంది, అదే సమయంలో ఒక థంబ్‌నెయిల్ స్ట్రిప్ పైన ఉన్న ప్రతి కొత్త పేరుకు ఒక నల్ల స్టైల్ చిప్ దొర్లుతుంది.
4. "దానికి ఒక మూడ్‌బోర్డ్ చూపించండి": 9 చిత్రాలు 3x3 గ్రిడ్‌లోకి ఎగురుతాయి, ఆపై తెరపై "ఇది మిమ్మల్ని ఆకట్టుకుంటుంది" అని టైప్ చేస్తున్నప్పుడు ఫలితాన్ని వృత్తాకారంలో గుర్తించండి.
5. "మీరు దీన్ని ఎంత ఎక్కువగా ఉపయోగిస్తే, అది అంత మెరుగవుతుంది": గ్రేడియంట్‌లో నొక్కి చెప్పబడిన పదంతో రెండు పంక్తులు టైప్ చేయండి.
6. సెట్టింగ్‌లు: 3 స్లైడర్‌లతో కూడిన ఒక గాజు పలకను చూపించండి, ఆమె పేరు పెట్టినప్పుడు ఒక్కొక్కటి కదులుతుంది. చిత్రం యొక్క రంగును మార్చండి, 16వ వంతు చొప్పున కొత్త సీడ్‌లను వేయండి, ఆపై దానిని పోస్టర్‌గా మార్చండి. గాజు వెనుక దాని రంగుల అస్పష్టమైన పొరను సమకాలీనంగా మార్చండి.
7. "ప్రతి [అవుట్‌పుట్], మీరు చూస్తున్నట్లే": ఒక గ్లాస్ క్యాప్షన్ పిల్ వెనుక మధ్య నుండి నా 120 చిత్రాలను బయటకు వెదజల్లండి, ఆపై పేరు టైప్ అవుతున్నప్పుడు వాటిని నా లోగోగా కలపండి. దాని కింద "ఇప్పుడే విడుదల" అని పెట్టి 2 సెకన్ల పాటు అలాగే ఉంచండి.

ప్రాంప్ట్ బార్, ఫలితాలు మరియు స్లైడర్‌లను నా ఉత్పత్తి యొక్క నిజమైన ఇన్‌పుట్, అవుట్‌పుట్‌లు మరియు సెట్టింగ్‌లతో భర్తీ చేయండి.

డ్రాప్ [క్రియ] లైన్‌పై వచ్చేలా పాటను సెట్ చేసి, బీట్ గ్రిడ్‌ను అక్కడే స్థిరపరచండి.
3-బ్యాండ్ సైడ్‌చెయిన్‌ను ఉపయోగించి సంగీతాన్ని స్వరం కిందకు తగ్గించండి (లోస్ 30%, మిడ్స్ 85%, ఎయిర్ 55%; 0.3 సెకన్ల హోల్డ్, 50 మిల్లీసెకన్ల లుక్-అహెడ్, 0.5 సెకన్ల రిలీజ్). ఆ తర్వాత, 300 Hz మరియు 4 kHz మధ్య స్వరం సంగీతం కంటే సుమారు 9 dB పైన ఉండే వరకు ప్రతి పదబంధంలోని మిడ్స్‌ను సర్దుబాటు చేయండి.
ప్రతి ఈవెంట్‌కు డౌన్‌లోడ్ చేసిన ఒక మిక్స్‌కిట్ SFXను, దాని కొలవబడిన పీక్ ప్రకారం అమర్చి ఉపయోగించండి: ప్రతి ఇమేజ్ మార్పుకు ఒక క్లిక్, టైప్ చేసిన ప్రతి అక్షరానికి ఒక కీ సౌండ్, నొక్కి చెప్పిన పదంపై సాఫ్ట్ ల్యాండింగ్, డ్రాప్ మరియు లోగోపై హూషెస్ మరియు ఇంపాక్ట్స్. ప్రతి దానిని దాని పీక్ చుట్టూ ట్రిమ్ చేయండి (చాలా రైజర్‌లు 4 సెకన్లు ఉంటాయి). ఎండ్ కార్డ్ కింద dB కర్వ్ వెంట మ్యూజిక్‌ను ఫేడ్ చేయండి. లౌడ్‌నార్మ్‌ను -14 LUFSకు సెట్ చేయండి.

1. ఒక HTML కాన్వాస్. ప్రతి ఫ్రేమ్ seek(t) లోపల సమయానికి సంబంధించిన ఒక ఫంక్షన్, మరియు ప్రతి క్యాప్షన్ మరియు కట్ వర్డ్ టేబుల్‌ను అనుసరిస్తాయి.
2. గ్లాస్: ఆకారం వెనుక ఉన్న కాన్వాస్‌ను క్యాప్చర్ చేయండి, బాడీ కోసం దానిని సుమారు 14px బ్లర్ చేయండి, అంచు వెంబడి 12px బ్యాండ్‌లో సుమారు 1.06x మాగ్నిఫై చేయబడిన కొద్దిగా బ్లర్ చేసిన కాపీని గీయండి, ఆపై మిల్క్, షీన్, రిమ్ మరియు షాడోను జోడించండి.
3. Playwright 60fps వద్ద 8 మోషన్-బ్లర్ సబ్‌ఫ్రేమ్‌లను ఉపయోగించి రెండర్ చేయండి, ఆపై ffmpeg తో ఎన్‌కోడ్ చేయండి.
4. నాకు ఏదైనా చూపించే ముందు, స్టిల్స్ యొక్క కాంటాక్ట్ షీట్‌ను తయారు చేయండి, సింగిల్-ఫ్రేమ్ పాప్స్ కోసం ఫ్రేమ్ తేడాలను స్కాన్ చేయండి (16వ-నోట్ రన్స్ మాత్రమే జంప్ కావచ్చు), మరియు ప్రతి ఫ్రేజ్ కోసం వాయిస్-టు-మ్యూజిక్ నిష్పత్తిని తనిఖీ చేయండి.

ఆత్మీయంగా పలకరించడం గుసగుసలాడినట్లుగా వినిపించవచ్చు, కానీ ఉత్సాహంగా పలకరించడం కృత్రిమంగా అనిపించవచ్చు. ఒక పదం వెనుక ఉన్న హైలైట్ బాక్స్ విండోస్ టెక్స్ట్ సెలక్షన్ లాగా కనిపిస్తుంది. హ్యాండ్‌ఆఫ్ సమయంలో కెమెరా 1.0కి రీసెట్ అయితే, జూమ్ ఒక్కసారిగా ఆగిపోతుంది. 0.05 సెకన్ల ఫేడ్, ఒక్కసారిగా పాప్-ఇన్ అయినట్లుగా కనిపిస్తుంది.

నన్ను ఇన్‌పుట్‌లు అడగండి, స్క్రిప్ట్ రాయండి, ఎంచుకోవడానికి 4 వాయిస్ టేక్‌లు పంపండి, ఆపై పూర్తి రెండర్‌కు ముందు 8 స్టిల్స్ చూపించండి.

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.

ప్రాంప్ట్ నుండి తీసుకోబడింది పోస్ట్ @rossaxbt.