Pag-set up: Pelikulang paglulunsad ng modelo ng imahe ng Ora 2

Tanungin ako para sa: pangalan ng aking produkto, isang one-line na pitch, aking logo, 3 hanggang 6 na screenshot ng produkto, mahigit 40 larawan ng kung ano ang ginagawa nito (o mga larawan nito), mga kulay at font ng aking brand, isang ElevenLabs API key at voice ID, kasama ang isang royalty-free na track na may malinaw na drop (ang audio file at ang drop timestamp). Kung may laktawan ako, gamitin ang mga default na ito: "Ora 2", "isang modelo ng imahe na ginawa para sa panlasa", mga libreng larawan mula sa Unsplash at Pixabay, Geist, ink #111214, ang boses na Samara X (19STyYD15bswVz51nqLf) sa eleven_v4, at Pixabay "Cascade Breathe" (129.83 BPM, drop sa 75.39s).

<script>
Sumulat ng 9-line voiceover sa ganitong format at iakma ang bawat linya sa aking produkto:
"Ito si [pangalan]. Isang [kategorya]... ginawa para sa [halaga]. [Pandiwa] sa ANUMANG istilo. Bigyan ito ng [input] - at maiintindihan lang nito... maiintindihan. Habang ginagamit mo ito nang mas madalas, mas MAS GUMAGANA ito. Ayusin ang [setting] nito. Ang [setting]. Ang [setting] nito. Bawat [output] - eksakto tulad ng naisip mo. [Pangalan]. Nasa labas na."
Gumamit ng mga emotion tag nang matipid: [marahan] sa mga tahimik na linya at [nasasabik] sa linya ng [Pandiwa]. Huwag lagyan ng tag ang pambungad na salita, at tapusin ito sa isang tuldok.
</script>

Direktang tawagan ang ElevenLabs API gamit ang aking key, nang walang MCP. Bumuo ng 4 na full-script takes sa isang pass at hayaan akong pumili. Kung ang isang linya ay hindi tama ang tunog, buuin muli ang linyang iyon nang 4 na beses at i-splice ang pinakamahusay na bersyon sa aking take.
Paikliin ang mga paghinto na mas mahaba sa 0.28 segundo patungong 0.2 segundo, pagkatapos ay dalhin ang bawat parirala nang 85% patungo sa median level, inaayos lamang ang gain kapag may mga paghinto.
Para sa mga timing ng salita, hatiin ang pagbasa sa mga paghinto na 100ms o mas matagal pa, i-transcribe ang bawat segment nang hiwalay gamit ang Whisper, at ihanay ang unang salita nito sa nasukat na simula. Ang isang Whisper pass ay maaaring maglagay ng mga salita nang hanggang kalahating segundong huli.

Isang 22-segundong parisukat na pelikula para sa paglulunsad, 1440x1440 sa 60fps, na parang isang paglulunsad ng AI lab: puting canvas, isang typeface, itim na tinta, mga totoong imahe, at mga caption na tinatype nang salita por salita sa eksaktong oras na binibigkas ang mga ito.
Bawat kontrol (prompt bar, settings panel, caption pill) ay gumagamit ng likidong salamin: lagyan ng yelo ang eksena sa likod nito, ibaluktot ang eksenang iyon sa gilid na parang makapal na salamin, pagkatapos ay magdagdag ng kinang sa itaas, matingkad na gilid, at malambot na anino. Nawawala ang salamin sa simpleng puti, kaya magdagdag ng mabagal na pastel aura sa mga kulay ng aking brand o isang malabong wash ng larawan sa likod nito.
Yung isa ay nagbigay-diin sa mga uri ng salita sa gradient ng mga kulay ng aking brand, na may mahinang liwanag sa likod nito.
Mga tuntunin sa paggalaw: panatilihing gumagalaw ang kamera (itulak mula 1.0 patungong 1.04 bawat eksena; kapag lumipat ang nilalaman sa susunod na eksena, magsimula sa zoom kung saan natapos ang nakaraang eksena). Walang agad na lumalabas: gumamit ng mga pinaikling fade na hindi bababa sa 0.3s. Baguhin ang mga imahe sa ika-16 na nota, na may isang pag-click para sa bawat isa. Magbago ang eksena sa pagsisimula ng parirala, at ihanay ang drop ng musika sa linyang [Pandiwa]. Huwag magpakita ng mga tuldok sa screen.
Ipinagbabawal: mga highlight sa selection-box, mga beat-snapped slam, mga puting flash, 3D, mga template.

Pitong eksena, naaayon sa boses:

1. "Ito si [pangalan]": isang collage ng aking mga larawan ang lumalabas habang tumataas ang laki ng pangalan, pagkatapos ay napupunta sa linya ng kategorya.
2. "ginawa para sa [halaga]": mga full-screen na flash ng aking pinakamagagandang larawan na lumilipat sa ika-16 na nota papunta sa drop, kasama ang linyang naka-type sa puti sa ibabaw ng mga ito.
3. Ang drop: isang glass prompt bar ang nagta-type ng maikling prompt. Ang result card ay nagbabago ng istilo tuwing ika-16 na nota, habang isang itim na style chip ang gumugulong sa bawat bagong pangalan sa itaas ng thumbnail strip.
4. "Magpakita ng moodboard": 9 na larawan ang lalabas sa isang 3x3 grid, pagkatapos ay bilugan ang resulta habang tumatama ang "It gets you" sa screen.
5. "Habang ginagamit mo ito nang mas madalas, mas gumaganda ito": mag-type ng dalawang linya, kasama ang salitang binibigyang-diin sa gradient.
6. Ang mga setting: magpakita ng isang glass panel na may 3 slider, bawat isa ay gumagalaw habang binabanggit niya ito. Baguhin ang kulay ng larawan, igulong ang mga bagong buto sa ika-16 na bahagi, pagkatapos ay gawin itong poster. Baguhin ang malabong hulma ng mga kulay nito sa likod ng salamin nang sabay-sabay.
7. "Bawat [output], eksakto kung paano mo ito nakikita": i-burst ang 120 sa aking mga larawan palabas mula sa gitna sa likod ng isang glass caption pill, pagkatapos ay pagdugtungin ang mga ito sa aking logo habang tinatype ang pangalan. Ilagay ang "Out now" sa ilalim at pindutin nang 2 segundo.

Palitan ang prompt bar, mga resulta, at mga slider ng totoong input, output, at mga setting ng aking produkto.

Itakda ang kanta para lumapag ang drop sa linyang [Verb], at i-angkla ang beat grid doon.
Ilayo ang musika sa ilalim ng boses gamit ang 3-band sidechain (lows 30%, mids 85%, air 55%; 0.3s hold, 50ms look-ahead, 0.5s release). Pagkatapos ay ayusin ang mids ng bawat parirala hanggang sa ang boses ay umabot ng humigit-kumulang 9 dB sa itaas ng musika sa pagitan ng 300 Hz at 4 kHz.
Gumamit ng isang na-download na Mixkit SFX para sa bawat kaganapan, na nakaposisyon ayon sa nasukat na peak nito: isang pag-click para sa bawat pagbabago ng imahe, isang tunog ng key para sa bawat na-type na letra, isang mahinang paglapag sa salitang binibigyang-diin, mga whoosh, at mga impact sa drop at logo. Gupitin ang bawat isa sa paligid ng peak nito (maraming risers ang 4 na segundo). I-fade ang musika sa isang dB curve sa ilalim ng end card. I-Loudnorm sa -14 LUFS.

1. Isang HTML canvas. Ang bawat frame ay purong function ng oras sa loob ng seek(t), at ang bawat caption at cut ay sumusunod sa word table.
2. Salamin: kunan ang canvas sa likod ng hugis, i-blur ito nang mga 14px para sa katawan ng larawan, gumuhit ng bahagyang blurred na kopya na pinalaki nang mga 1.06x sa isang 12px na banda sa gilid, pagkatapos ay idagdag ang gatas, kinang, gilid at anino.
3. I-render gamit ang Playwright sa 60fps gamit ang 8 motion-blur subframes, pagkatapos ay i-encode gamit ang ffmpeg.
4. Bago mo ako ipakita ng kahit ano, gumawa ka muna ng contact sheet ng mga stills, tingnan ang mga pagkakaiba ng frame para sa mga single-frame pops (tanging ang mga 16th-note runs lang ang maaaring tumalon), at tingnan ang voice-to-music ratio para sa bawat parirala.

Ang isang [mainit na] pambukas ay maaaring magmukhang pabulong, habang ang [nasasabik] ay maaaring magmukhang peke. Ang isang highlight box sa likod ng isang salita ay mukhang isang seleksyon ng teksto ng Windows. Kung ang camera ay magre-reset sa 1.0 habang may handoff, mag-snap ang zoom. Ang isang 0.05s fade ay parang isang instant pop-in.

Hingin ang mga input, isulat ang script, padalhan ako ng 4 na voice take na mapagpipilian, tapos ipakita sa akin ang 8 stills bago ang buong render.

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.

Kinuha ang prompt mula sa poste @rossaxbt.