การตั้งค่า: ภาพยนตร์เปิดตัวโมเดลภาพ Ora 2

โปรดส่งข้อมูลต่อไปนี้ให้ฉัน: ชื่อผลิตภัณฑ์, คำอธิบายสั้นๆ, โลโก้, ภาพหน้าจอผลิตภัณฑ์ 3-6 ภาพ, ภาพสิ่งที่ผลิตภัณฑ์สร้างขึ้นมากกว่า 40 ภาพ (หรือภาพถ่ายของผลิตภัณฑ์), สีและแบบอักษรของแบรนด์, คีย์ API และรหัสเสียงของ ElevenLabs, รวมถึงแทร็กเสียงปลอดค่าลิขสิทธิ์ที่มีจังหวะดรอปที่ชัดเจน (ไฟล์เสียงและเวลาดรอป) หากฉันพลาดอะไรไป ให้ใช้ค่าเริ่มต้นเหล่านี้: "Ora 2", "แบบจำลองภาพที่สร้างขึ้นเพื่อรสนิยม", ภาพฟรีจาก Unsplash และ Pixabay, Geist, หมึก #111214, เสียง Samara X (19STyYD15bswVz51nqLf) บน eleven_v4 และ Pixabay "Cascade Breathe" (129.83 BPM, จังหวะดรอปที่ 75.39 วินาที)

<script>
เขียนบทพากย์เสียง 9 บรรทัดตามรูปแบบนี้ และปรับแต่ละบรรทัดให้เข้ากับผลิตภัณฑ์ของฉัน:
"นี่คือ [ชื่อ] [หมวดหมู่]... สร้างขึ้นเพื่อ [คุณค่า] [คำกริยา] ในทุกรูปแบบ ป้อน [ข้อมูลป้อนเข้า] เข้าไป - แล้วมันก็จะ... เข้าใจ ยิ่งคุณใช้มันมากเท่าไหร่ มันก็ยิ่งดีขึ้นเท่านั้น ปรับ [การตั้งค่า] ของมัน [การตั้งค่า] ของมัน [การตั้งค่า] ของมัน ทุก [ผลลัพธ์] - ตรงตามที่คุณจินตนาการไว้ [ชื่อ] วางจำหน่ายแล้ว"
ใช้คำแสดงอารมณ์อย่างระมัดระวัง: [อย่างนุ่มนวล] ในบรรทัดที่เงียบ และ [ตื่นเต้น] ในบรรทัดที่มี [คำกริยา] อย่าใส่คำแสดงอารมณ์ที่คำขึ้นต้น และจบด้วยจุดธรรมดา
</script>

เรียกใช้ API ของ ElevenLabs โดยตรงโดยใช้คีย์ของฉัน โดยไม่ต้องใช้ MCP สร้างสคริปต์ฉบับเต็ม 4 ชุดในครั้งเดียว แล้วให้ฉันเลือก หากประโยคใดฟังดูไม่ดี ให้สร้างประโยคนั้นใหม่ 4 ครั้ง แล้วตัดต่อเวอร์ชันที่ดีที่สุดลงในชุดของฉัน
ลดช่วงหยุดที่ยาวเกิน 0.28 วินาทีให้เหลือ 0.2 วินาที จากนั้นปรับระดับเสียงของแต่ละวลีให้เข้าใกล้ระดับกลางประมาณ 85% โดยปรับระดับเสียงเฉพาะในช่วงหยุดเท่านั้น
สำหรับการกำหนดเวลาคำ ให้แบ่งการอ่านออกเป็นช่วงหยุดที่ 100 มิลลิวินาทีขึ้นไป ถอดเสียงแต่ละส่วนแยกกันด้วย Whisper และจัดตำแหน่งคำแรกของแต่ละส่วนให้ตรงกับจุดเริ่มต้นที่วัดได้ การถอดเสียงด้วย Whisper เพียงครั้งเดียวอาจทำให้คำต่างๆ ช้าไปได้ถึงครึ่งวินาที

วิดีโอเปิดตัวความยาว 22 วินาที ขนาด 1440x1440 พิกเซล ที่ 60 เฟรมต่อวินาที ในรูปแบบของการเปิดตัวห้องปฏิบัติการ AI: พื้นหลังสีขาว ตัวอักษรแบบเดียว หมึกสีดำ ภาพจริง และคำบรรยายที่พิมพ์ทีละคำในเวลาที่พูดออกมาอย่างแม่นยำ
ทุกส่วนควบคุม (แถบแจ้งเตือน แผงการตั้งค่า ปุ่มคำบรรยาย) ใช้กระจกเหลว: ทำให้ฉากหลังดูขุ่นมัว ดัดฉากนั้นไปตามขอบเหมือนกระจกหนา จากนั้นเพิ่มความเงางามด้านบน ขอบสว่าง และเงาอ่อนๆ กระจกจะมองไม่เห็นบนพื้นสีขาวเรียบ ดังนั้นให้เพิ่มออร่าสีพาสเทลอ่อนๆ ด้วยสีประจำแบรนด์ของฉัน หรือเบลอภาพถ่ายด้านหลังเล็กน้อย
อันหนึ่งเน้นตัวอักษรด้วยการไล่ระดับสีตามสีแบรนด์ของฉัน โดยมีแสงเรืองๆ จางๆ อยู่ด้านหลัง
กฎการเคลื่อนไหว: รักษาการเคลื่อนที่ของกล้อง (เพิ่มจาก 1.0 เป็น 1.04 ต่อฉาก; เมื่อเนื้อหาเปลี่ยนไปยังฉากถัดไป ให้เริ่มที่ระดับการซูมที่ฉากก่อนหน้าสิ้นสุด) ไม่มีอะไรปรากฏขึ้นทันที: ใช้การเฟดแบบค่อยเป็นค่อยไปอย่างน้อย 0.3 วินาที เปลี่ยนภาพตามจังหวะโน้ต 1/16 โดยมีการคลิกสำหรับแต่ละภาพ จบการเปลี่ยนฉากที่จุดเริ่มต้นของวลี และจัดตำแหน่งการเริ่มต้นของดนตรีให้ตรงกับบรรทัด [คำกริยา] อย่าแสดงจุดเต็มบนหน้าจอ
สิ่งที่ห้ามใช้: การไฮไลต์แบบเลือกกล่อง, การกระแทกจังหวะ, แสงวาบสีขาว, 3 มิติ, เทมเพลต

เจ็ดฉาก เรียงลำดับตามเสียงพูด:

1. "นี่คือ [ชื่อ]": ภาพตัดต่อจากรูปภาพของฉันค่อยๆ ปรากฏขึ้นพร้อมกับชื่อที่พิมพ์ตัวใหญ่ จากนั้นจึงเปลี่ยนเป็นบรรทัดสำหรับหมวดหมู่
2. "สร้างขึ้นเพื่อ [คุณค่า]": ภาพที่ดีที่สุดของฉันจะปรากฏขึ้นแบบเต็มหน้าจอเมื่อจังหวะดนตรีเริ่มขึ้น โดยมีข้อความที่พิมพ์เป็นสีขาวทับอยู่ด้านบน
3. ส่วนแสดงผล: แถบข้อความแจ้งเตือนแบบแก้วจะพิมพ์ข้อความแจ้งเตือนสั้นๆ การ์ดผลลัพธ์จะเปลี่ยนรูปแบบทุกๆ 16 โน้ต ในขณะที่ชิปรูปแบบสีดำจะเลื่อนไปยังชื่อใหม่แต่ละชื่อเหนือแถบภาพขนาดย่อ
4. "แสดงภาพมู้ดบอร์ดให้คุณดู": ภาพ 9 ภาพจะถูกจัดเรียงลงในตาราง 3x3 จากนั้นวงกลมภาพที่ได้ขณะที่ข้อความ "มันโดนใจคุณ" พิมพ์ปรากฏบนหน้าจอ
5. "ยิ่งใช้มาก ยิ่งดี": พิมพ์สองบรรทัด โดยให้คำที่เน้นมีสีไล่ระดับ
6. การตั้งค่า: แสดงแผงกระจกที่มีแถบเลื่อน 3 อัน แต่ละอันจะเคลื่อนที่ตามที่เธอตั้งชื่อ ปรับโทนสีของภาพ สุ่มเมล็ดพันธุ์ใหม่บนช่วง 1/16 จากนั้นเปลี่ยนให้เป็นโปสเตอร์ ปรับสีที่เบลอๆ ของภาพด้านหลังกระจกไปพร้อมๆ กัน
7. "ทุก [ผลลัพธ์] อย่างที่คุณเห็น": ฉายภาพ 120 ภาพของฉันออกไปจากจุดศูนย์กลางด้านหลังแคปซูลคำบรรยายที่เป็นแก้ว จากนั้นรวมภาพเหล่านั้นเข้าด้วยกันเป็นโลโก้ของฉันขณะที่ชื่อกำลังพิมพ์ ใส่คำว่า "วางจำหน่ายแล้ว" ไว้ด้านล่างและกดค้างไว้ 2 วินาที

แทนที่แถบข้อความแจ้งเตือน ผลลัพธ์ และแถบเลื่อนด้วยข้อมูลป้อนเข้า ข้อมูลส่งออก และการตั้งค่าจริงของผลิตภัณฑ์ของฉัน

ตั้งค่าเพลงให้จังหวะดรอปลงที่บรรทัด [Verb] และกำหนดจุดยึดของตารางจังหวะไว้ที่นั่น
ลดระดับเสียงดนตรีให้ต่ำกว่าเสียงร้องโดยใช้ sidechain 3 แบนด์ (เสียงต่ำ 30%, เสียงกลาง 85%, เสียงอากาศ 55%; hold 0.3 วินาที, look-ahead 50 มิลลิวินาที, release 0.5 วินาที) จากนั้นปรับเสียงกลางของแต่ละวลีจนกระทั่งเสียงร้องอยู่สูงกว่าเสียงดนตรีประมาณ 9 dB ในช่วงความถี่ 300 Hz ถึง 4 kHz
ใช้เอฟเฟ็กต์เสียง Mixkit ที่ดาวน์โหลดมาหนึ่งรายการต่ออีเวนต์ โดยจัดวางตามจุดสูงสุดที่วัดได้: เสียงคลิกสำหรับการเปลี่ยนภาพแต่ละครั้ง เสียงคีย์สำหรับตัวอักษรที่พิมพ์แต่ละตัว เสียงลงอย่างนุ่มนวลสำหรับคำที่เน้น เสียงหวือ และเสียงกระทบเมื่อจบเพลงและแสดงโลโก้ ตัดแต่งแต่ละเสียงรอบจุดสูงสุด (เสียงเร่งจังหวะหลายๆ เสียงมีความยาว 4 วินาที) ค่อยๆ ลดระดับเสียงเพลงตามเส้นโค้ง dB ใต้การ์ดจบเพลง ปรับระดับเสียงเป็น -14 LUFS

1. ผืนผ้าใบ HTML หนึ่งผืน แต่ละเฟรมเป็นฟังก์ชันบริสุทธิ์ของเวลาภายใน seek(t) และคำบรรยายและการตัดแต่ละครั้งเป็นไปตามตารางคำ
2. แก้ว: จับภาพพื้นหลังของรูปทรง แล้วเบลอภาพประมาณ 14 พิกเซลสำหรับตัวแก้ว วาดสำเนาที่เบลอเล็กน้อยและขยายใหญ่ขึ้นประมาณ 1.06 เท่าในแถบ 12 พิกเซลตามขอบ จากนั้นเพิ่มสีขาวขุ่น ความเงา ขอบ และเงา
3. เรนเดอร์ด้วย Playwright ที่ 60fps โดยใช้ซับเฟรมเบลอการเคลื่อนไหว 8 เฟรม จากนั้นเข้ารหัสด้วย ffmpeg
4. ก่อนที่จะแสดงอะไรให้ฉันดู โปรดทำแผ่นรวมภาพนิ่ง ตรวจสอบความแตกต่างของเฟรมเพื่อหาเฟรมที่กระโดด (เฉพาะจังหวะโน้ต 16 ตัวเท่านั้นที่อาจกระโดด) และตรวจสอบอัตราส่วนเสียงต่อดนตรีสำหรับทุกวลี

การขึ้นต้นด้วยน้ำเสียงอบอุ่นอาจฟังดูเหมือนกระซิบ ในขณะที่การขึ้นต้นด้วยน้ำเสียงตื่นเต้นอาจฟังดูไม่จริงใจ กรอบไฮไลต์ด้านหลังคำดูเหมือนการเลือกข้อความใน Windows หากกล้องรีเซ็ตเป็น 1.0 ระหว่างการส่งต่อ การซูมจะกระทันหัน การเฟด 0.05 วินาทีดูเหมือนการปรากฏขึ้นทันที

บอกรายละเอียดงานมา เขียนสคริปต์ ส่งไฟล์เสียงให้เลือก 4 ไฟล์ แล้วแสดงภาพนิ่ง 8 ภาพก่อนเรนเดอร์ฉบับเต็ม

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.

ข้อความต้นฉบับมาจาก โพสต์ @rossaxbt.