ترتیب دینا: اورا 2 امیج ماڈل لانچ فلم

مجھ سے پوچھیں: میرے پروڈکٹ کا نام، ایک لائن کی پچ، میرا لوگو، پروڈکٹ کے 3 سے 6 اسکرین شاٹس، یہ جو کچھ بناتا ہے اس کی 40+ تصاویر (یا اس کی تصاویر)، میرے برانڈ کے رنگ اور فونٹ، ایک ElevenLabs API کلید اور صوتی ID، نیز ایک واضح ڈراپ کے ساتھ ایک رائلٹی فری ٹریک (آڈیو فائل اور ڈراپ ٹائم اسٹیمپ)۔ اگر میں کچھ بھی چھوڑتا ہوں، تو ان ڈیفالٹس کا استعمال کریں: "Ora 2"، "ذائقہ کے لیے بنایا گیا ایک امیج ماڈل"، Unsplash اور Pixabay سے مفت تصاویر، Geist ، ink #111214، آواز Samara X (19STyYD15bswVz51nqLf) eleven_v4 پر، اور Pixabay " BPM " ڈراپ (Cascade) 75.39s)۔

<script>
اس فارمیٹ میں 9 لائن کا وائس اوور لکھیں اور ہر لائن کو میرے پروڈکٹ کے مطابق بنائیں:
"یہ [نام] ہے۔ ایک [زمرہ]... [قدر] کے لیے بنایا گیا ہے۔ [فعل] کسی بھی انداز میں۔ اسے ایک [ان پٹ] دیں - اور یہ سمجھتا ہے۔ جتنا زیادہ آپ اسے استعمال کریں گے، اتنا ہی بہتر ہوگا۔ اس کی [ترتیب] کو ایڈجسٹ کریں۔ اس کی [ترتیب]۔ اس کی [ترتیب]۔ ہر [آؤٹ پٹ] - بالکل جیسا کہ آپ نے اس کی تصویر بنائی ہے۔
جذباتی ٹیگز کا تھوڑا سا استعمال کریں: خاموش خطوط پر [آہستگی سے] اور [فعل] لائن پر [پرجوش]۔ اوپنر کو ٹیگ نہ کریں، اور اسے سادہ فل اسٹاپ کے ساتھ ختم کریں۔
</script>

MCP کے بغیر میری کلید کا استعمال کرتے ہوئے براہ راست ElevenLabs API کو کال کریں۔ ایک پاس میں 4 فل اسکرپٹ لیز تیار کریں اور مجھے انتخاب کرنے دیں۔ اگر کوئی لائن صحیح نہیں لگتی ہے تو صرف اس لائن کو 4 بار دوبارہ بنائیں اور میرے ٹیک میں بہترین ورژن کو الگ کریں۔
0.28 سے 0.2 سیکنڈ تک لمبا توقف مختصر کریں، پھر ہر فقرے کو 85% راستے کو درمیانی سطح کی طرف لے آئیں، صرف وقفوں کے دوران حاصل کو ایڈجسٹ کریں۔
الفاظ کے اوقات کے لیے، پڑھنے کو 100ms یا اس سے زیادہ کے وقفوں پر تقسیم کریں، ہر سیگمنٹ کو Whisper کے ساتھ الگ سے ٹرانسکرائب کریں، اور اس کے پہلے لفظ کو ناپے ہوئے آغاز پر سیدھ کریں۔ ایک واحد Whisper پاس الفاظ کو آدھے سیکنڈ کی تاخیر سے رکھ سکتا ہے۔

22 سیکنڈ کی مربع لانچ فلم، 1440x1440 60fps پر، ایک AI لیب لانچ کے انداز میں: سفید کینوس، ایک ٹائپ فیس، سیاہ سیاہی، حقیقی تصاویر، اور کیپشنز جس وقت وہ بولے جاتے ہیں لفظ بہ لفظ ٹائپ کیا جاتا ہے۔
ہر کنٹرول (پرامپٹ بار، سیٹنگ پینل، کیپشن گولی) مائع گلاس کا استعمال کرتا ہے: اس کے پیچھے کے منظر کو ٹھنڈا کریں، اس منظر کو کنارے کے ساتھ موٹے شیشے کی طرح موڑیں، پھر اوپر کی چمک، روشن رم اور نرم لفٹ شیڈو شامل کریں۔ شیشہ سادہ سفید پر غائب ہو جاتا ہے، اس لیے میرے برانڈ کے رنگوں میں ایک سست پیسٹل اورا شامل کریں یا اس کے پیچھے تصویر کو دھندلا کریں۔
ایک نے میرے برانڈ کے رنگوں کے میلان میں الفاظ کی قسموں پر زور دیا، اس کے پیچھے ہلکی سی چمک تھی۔
حرکت کے اصول: کیمرے کو بہتے ہوئے رکھیں (فی منظر 1.0 سے 1.04 تک دھکیلیں؛ جب مواد اگلے سین پر جاتا ہے، تو زوم سے شروع کریں جہاں پچھلا منظر ختم ہوا تھا)۔ کچھ بھی فوری طور پر ظاہر نہیں ہوتا ہے: کم از کم 0.3 سیکنڈ کے آسان دھندلا پن کا استعمال کریں۔ 16 ویں نوٹ پر تصاویر تبدیل کریں، ہر ایک کے لیے ایک کلک کے ساتھ۔ جملے کے شروع ہونے پر زمینی منظر بدل جاتا ہے، اور میوزک ڈراپ کو [فعل] لائن کے ساتھ سیدھ میں لاتا ہے۔ اسکرین پر فل اسٹاپ نہ دکھائیں۔
ممنوعہ: سلیکشن باکس ہائی لائٹس، بیٹ اسنیپڈ سلیمز، سفید چمک، 3D، ٹیمپلیٹس۔

آواز کے مطابق سات مناظر:

1. "یہ [نام] ہے": میری تصویروں کا ایک کولیج نام کی بڑی قسموں کے ساتھ باہر نکلتا ہے، پھر زمرہ لائن کو راستہ دیتا ہے۔
2. "[value] کے لیے بنایا گیا": میری بہترین تصاویر کی فل سکرین فلیشز 16 ویں نوٹ کو ڈراپ میں آن کر دیتی ہیں، ان پر سفید میں لکیر لکھی ہوتی ہے۔
3. ڈراپ: ایک گلاس پرامپٹ بار مختصر پرامپٹ ٹائپ کرتا ہے۔ رزلٹ کارڈ ہر 16 ویں نوٹ پر اسٹائل تبدیل کرتا ہے، جبکہ تھمب نیل کی پٹی کے اوپر ہر نئے نام پر سیاہ طرز کی چپ رول کرتی ہے۔
4. "اسے موڈ بورڈ دکھائیں": 9 تصاویر 3x3 گرڈ میں اڑتی ہیں، پھر اسکرین پر "یہ آپ کو ملتی ہے" کی قسم کے طور پر نتیجہ کو دائرہ بناتی ہے۔
5. "جتنا زیادہ آپ اسے استعمال کریں گے، اتنا ہی بہتر ہوگا": گریڈینٹ میں زور والے لفظ کے ساتھ، دو لائنیں ٹائپ کریں۔
6. ترتیبات: 3 سلائیڈرز کے ساتھ شیشے کا پینل دکھائیں، ہر ایک اپنے نام کے مطابق حرکت کرتا ہے۔ تصویر کی رنگت کو تبدیل کریں، 16 تاریخ کو نئے بیج ڈالیں، پھر اسے پوسٹر میں تبدیل کریں۔ مطابقت پذیری میں شیشے کے پیچھے اس کے رنگوں کا دھندلا پن شفٹ کریں۔
7. "ہر [آؤٹ پٹ]، بالکل اسی طرح جس طرح آپ اسے دیکھتے ہیں": میری 120 تصاویر کو شیشے کی سرخی کی گولی کے پیچھے مرکز سے باہر کی طرف پھاڑ دیں، پھر ان کو میرے لوگو میں ایک ساتھ لائیں۔ "ابھی باہر" کو نیچے رکھیں اور 2s کے لیے پکڑیں۔

پرامپٹ بار، نتائج اور سلائیڈرز کو میرے پروڈکٹ کے حقیقی ان پٹ، آؤٹ پٹس اور سیٹنگز سے بدل دیں۔

گانے کو سیٹ کریں تاکہ ڈراپ [فعل] لائن پر آئے، اور وہاں بیٹ گرڈ کو اینکر کریں۔
3-بینڈ سائڈ چین کے ساتھ آواز کے نیچے موسیقی کو بتھ کریں (کم 30%، درمیانی 85%، ہوا 55%؛ 0.3s ہولڈ، 50ms آگے دیکھو، 0.5s ریلیز)۔ پھر ہر فقرے کے وسط کو ایڈجسٹ کریں جب تک کہ آواز 300 Hz اور 4 kHz کے درمیان موسیقی سے تقریباً 9 dB اوپر نہ آجائے۔
فی ایونٹ میں ایک ڈاؤن لوڈ کردہ Mixkit SFX استعمال کریں، اس کی پیمائش شدہ چوٹی کے مطابق: ہر تصویر کی تبدیلی کے لیے ایک کلک، ہر ٹائپ کردہ حرف کے لیے ایک کلیدی آواز، زور والے لفظ پر نرم اترنا، ہوش، اور ڈراپ اور لوگو پر اثرات۔ ہر ایک کو اس کی چوٹی کے ارد گرد تراشیں (بہت سے رائزر 4 سیکنڈ ہیں)۔ اینڈ کارڈ کے نیچے dB وکر کے ساتھ میوزک کو دھندلا کریں۔ لاؤڈ نارم سے -14 LUFS۔

1. ایک HTML کینوس۔ ہر فریم تلاش (t) کے اندر وقت کا ایک خالص فعل ہے، اور ہر کیپشن اور کٹ لفظ ٹیبل کی پیروی کرتا ہے۔
2. گلاس: شکل کے پیچھے کینوس کو کیپچر کریں، اسے جسم کے لیے تقریباً 14px دھندلا کریں، کنارے کے ساتھ ایک 12px بینڈ میں تقریباً 1.06x میگنیفائیڈ ایک ہلکی دھندلی کاپی بنائیں، پھر دودھ، شین، رم اور شیڈو شامل کریں۔
3. Playwright کے ساتھ 8 موشن بلر سب فریمز کا استعمال کرتے ہوئے 60fps پر رینڈر کریں، پھر ffmpeg کے ساتھ انکوڈ کریں۔
4. مجھے کچھ دکھانے سے پہلے، اسٹیلز کی ایک کانٹیکٹ شیٹ بنائیں، سنگل فریم پاپس کے لیے فریم کے فرق کو اسکین کریں (صرف 16 ویں نوٹ کے رنز اچھل سکتے ہیں)، اور ہر فقرے کے لیے آواز سے موسیقی کا تناسب چیک کریں۔

ایک [پرتپاک] اوپنر سرگوشی میں آواز دے سکتا ہے، جبکہ [پرجوش] جعلی محسوس کر سکتا ہے۔ کسی لفظ کے پیچھے ایک نمایاں باکس ونڈوز ٹیکسٹ سلیکشن کی طرح لگتا ہے۔ اگر ہینڈ آف کے دوران کیمرہ 1.0 پر ری سیٹ ہو جائے تو زوم اسنیپ ہو جاتا ہے۔ ایک 0.05s فیڈ ایک فوری پاپ ان کی طرح لگتا ہے۔

مجھ سے ان پٹ کے لیے پوچھیں، اسکرپٹ لکھیں، مجھے منتخب کرنے کے لیے 4 آوازیں بھیجیں، پھر مکمل رینڈر سے پہلے مجھے 8 اسٹیلز دکھائیں۔

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.

سے پرامپٹ لیا گیا۔ پوسٹ @rossaxbt.