אויפשטעלן: אָראַ 2 בילד מאָדעל לאָנטש פילם

פרעגט מיר פאר: מיין פראדוקט נאמען, אן איין-שורה פיטש, מיין לאגא, 3 ביז 6 סקרינשאטס פון דעם פראדוקט, 40+ בילדער פון וואס עס שאפט (אדער פאטאס דערפון), מיין בראנד פארבן און שריפט, אן ElevenLabs API שליסל און שטימע ID, פלוס א ראיאלטשאפט-פרייע טרעק מיט א קלארן דראפ (די אודיא פייל און די דראפ צייט-שטעמפּל). אויב איך לאז איבער עפעס, נוץ די דיפאלץ: "Ora 2", "א בילד מאדעל געמאכט פארן טעם", פרייע בילדער פון Unsplash און Pixabay, Geist, טינט #111214, די שטימע Samara X (19STyYD15bswVz51nqLf) אויף eleven_v4, און Pixabay "Cascade Breathe" (129.83 BPM, דראפ ביי 75.39s).

<script>
שרייב א 9-ליניגע שטימע-איבער אין דעם פֿאָרמאַט און אַדאַפּטיר יעדע שורה צו מיין פּראָדוקט:
"דאָס איז [נאָמען]. אַ [קאַטעגאָריע]... געבויט פֿאַר [ווערט]. [ווערב] אין יעדן סטיל. געבט עס אַ [אַרייַנגאַנג] - און עס פֿאַרשטייט פשוט... ווי מער איר ניצט עס, אַלץ בעסער ווערט עס. אַדזשאַסטירט זיין [שטעלן]. זיין [שטעלן]. זיין [שטעלן]. יעדער [רעזולטאַט] - פּונקט ווי איר האָט עס פֿאָרגעשטעלט. [נאָמען]. איצט אַרויס."
ניצט עמאָציע טאַגס שפּאָרעוודיק: [ווייך] אויף די שטילע שורות און [אויפגערייצט] אויף דער [ווערב] שורה. שטעל נישט קיין טאַג אויפן ערשטן טייל, און ענדיקט עס מיט אַ פּשוטן פּונקט.
</script>

רופט אָן די ElevenLabs API גלייך ניצנדיק מיין שליסל, אָן אַ MCP. דזשענערירט 4 פול-סקריפּט טעיקס אין איין דורכגאַנג און לאָזט מיך אויסקלײַבן. אויב אַ שורה קלינגט נישט ריכטיק, רעגענערירט נאָר יענע שורה 4 מאָל און לייגט צו די בעסטע ווערסיע אין מיין טעיק.
פֿאַרקירצט פּויזעס לענגער ווי 0.28 סעקונדעס צו 0.2 סעקונדעס, און ברענגט יעדע פֿראַזע 85% פֿון דער וועג צום מיטלערן לעוועל, און אַדזשאַסטירט דעם געווינס נאָר בעת די פּויזעס.
פֿאַר וואָרט צייטן, טיילט די לייענונג אין פּויזעס פון 100ms אָדער לענגער, טראַנסקריבירט יעדן סעגמענט באַזונדער מיט Whisper, און אַדזשאַסטירט זיין ערשט וואָרט צו די געמאָסטענע אָנהייב. איין Whisper דורכגאַנג קען שטעלן ווערטער ביז אַ האַלב סעקונדע שפּעט.

א 22-סעקונדע קוואדראטישע לאנטש פילם, 1440x1440 ביי 60fps, אין דעם סטיל פון א קינסטלעכע אינטעליגענץ לאבאראטאריע לאנטש: ווייסע לייווענט, איין שריפט, שווארצע טינט, עכטע בילדער, און קעפּשאַנז געטייפּט וואָרט ביי וואָרט אין דער גענויער צייט וואָס זיי ווערן גערעדט.
יעדע קאנטראל (פראַמפּט באַר, סעטטינגס פּאַנעל, קעפּל פּיל) ניצט פליסיק גלאז: מאַסטערבירט די סצענע הינטער איר, בייגט די סצענע אויפן ראַנד ווי אַ דיקן גלאז, און לייגט צו אַ גלאַנץ אויבן, אַ העלן ראַנד און אַ ווייכן שאָטן. גלאז פֿאַרשווינדט אויף פּשוט ווייס, אַזוי לייגט צו אַ לאַנגזאַמע פּאַסטעל אויראַ אין מיין בראַנד פארבן אָדער אַ פֿאַרשוואָמענע וואַש פון דעם פאָטאָ הינטער איר.
די איינע האט באַטאָנט וואָרט טיפּן אין אַ גראַדיענט פון מײַנע בראַנד פארבן, מיט אַ שוואַכן גלאַנץ הינטער אים.
באַוועגונגס-רעגולאציעס: האַלט די קאַמעראַ אין באַוועגונג (שטופּן פון 1.0 צו 1.04 פּער סצענע; ווען אינהאַלט באַוועגט זיך צו דער ווייַטער סצענע, אָנהייבן ביים זום וואו די פריערדיקע סצענע האָט זיך געענדיקט). גאָרנישט דערשיינט באַלד: ניצט פארלייכטערטע פארשווינדונגען פון לפּחות 0.3 סעקונדעס. טוישט בילדער אויף 16טע נאָטן, מיט אַ קליק פֿאַר יעדער. לאַנד סצענע ענדערונגען ווען פראַזע הייבט זיך אָן, און גלייכט אויס דעם מוזיק-דראָפּ מיט דער [ווערב] ליניע. ווייזט נישט קיין פונקטן אויפן עקראַן.
פארבאטן: סעלעקציע-קעסטל הויכפּונקטן, ביט-סנאַפּט סלאַמס, ווייסע בליצן, 3D, טעמפּלאַטן.

זיבן סצענעס, צייט-געמאכט לויט דער שטימע:

1. "דאָס איז [נאָמען]": אַ קאָלאַזש פֿון מײַנע בילדער קומט אַרויס ווען דער נאָמען ווערט אַרײַנגעטיפּט אין גרויס, און דערנאָך ווערט דער קאַטעגאָריע־ליניע פֿאַרבונדן.
2. "געמאכט פאר [ווערט]": פול-סקרין בליצן פון מיינע בעסטע בילדער טוישן אן 16טע נאטן אין דעם דראפ, מיט דער ליניע געטייפט אין ווייס איבער זיי.
3. דער טראָפּן: אַ גלאָז פּראָמפּט באַר טיפּט אַ קורצע פּראָמפּט. די רעזולטאַט קאַרטל ענדערט סטיל יעדע 16טע נאָט, בשעת אַ שוואַרצער סטיל טשיפּ ראָלט זיך צו יעדן נייעם נאָמען העכער אַ טאַמבנייל פּאַס.
4. "ווייז עס א מודבאָרד": 9 בילדער פליען אין א 3x3 גריד, דערנאך קרייזן ארום דעם רעזולטאט בשעת "עס כאַפּט דיר" טייפּט אויפן עקראַן.
5. "וואָס מער איר ניצט עס, אַלץ בעסער ווערט עס": טיפּ צוויי שורות, מיטן באַטאָנטן וואָרט אין דעם גראַדיענט.
6. די סעטטינגס: ווייז א גלאז פאנעל מיט 3 סליידערס, יעדער באוועגט זיך ווי זי גיט אים א נאמען. טוישט דעם בילד'ס קאליר, ווארפט נייע זוימען אויף 16טע, און דערנאך מאכט עס א פאסטער. טוישט א פארשוואומענע וואש פון זיינע פארבן הינטערן גלאז אין סינקראניזאציע.
7. "יעדער [אויסגאַבע], פּונקט ווי איר זעט עס": אַרויסשטויסן 120 פון מײַנע בילדער אַרויס פֿון צענטער הינטער אַ גלאָזערנעם קעפּשאַן פּיל, און דערנאָך ברענגען זיי צוזאַמען אין מײַן לאָגאָ בשעת דער נאָמען טייפּט זיך אָן. שטעלן "אויס איצט" אונטער און האַלטן פֿאַר 2 סעקונדעס.

פאַרבייטן די פּראָמפּט באַר, רעזולטאַטן און סליידערס מיט מיין פּראָדוקט'ס פאַקטישע אַרייַנשרייַב, אַרויסגאַנג און סעטטינגס.

שטעלט דאס ליד אזוי אז דער טראָפּן לאַנדט אויף דער [ווערב] ליניע, און פֿאַראַנקערט דאָרט דעם ביט גריד.
לאָזט די מוזיק אונטערן קול מיט אַ 3-בענד זייט-קייט (נידעריגע טאָנעס 30%, מיטל 85%, לופט 55%; 0.3 סעקונדעס האַלטן, 50 מיליסעקונדעס קוק-פאָרויס, 0.5 סעקונדעס מעלדונג). דערנאָך אַדזשאַסטירט די מיטל טאָנעס פון יעדער פראַזע ביז דער קול זיצט בערך 9 דציבל העכער דער מוזיק צווישן 300 הערץ און 4 קילאָהרץ.
ניצט איין דאון-געלאדענע Mixkit SFX פער געשעעניש, פאזיציאנירט לויט זיין געמאסטענעם שפיץ: א קליק פאר יעדן בילד טויש, א קלאַווישער קלאַנג פאר יעדן געטייפּטן אות, א ווייכע לאַנדונג אויפן באַטאָנטן וואָרט, ווושעס, און אימפּאַקטן אויפן דראָפּ און לאָגאָ. שניידט יעדן אַרום זיין שפיץ (פילע רייזערס זענען 4 סעקונדעס). פאַרמינדערט די מוזיק צוזאמען א dB קורווע אונטערן ענד קאַרטל. הויך-נאָרם צו -14 LUFS.

1. איין HTML קאַנוואַס. יעדער ראַם איז אַ ריינע פונקציע פון צייט אינעווייניק seek(t), און יעדער קעפּל און שניט גייט נאָך דער וואָרט טאַבעלע.
2. גלאז: כאַפּט דעם קאַנוואַס הינטער דער פֿאָרעם, פֿאַרשווימען עס בערך 14 פּיקסעל פֿאַרן קערפּער, צייכנט אַ לייכט פֿאַרשווימענע קאָפּיע פֿאַרגרעסערט בערך 1.06x אין אַ 12 פּיקסעל באַנד אויפֿן ברעג, דערנאָך לייגט צו די מילך, גלאַנץ, ברעג און שאָטן.
3. רענדערן מיט Playwright ביי 60fps ניצנדיק 8 מאָושן-בלער סובפֿרעימס, און דערנאָך ענקאָדירן מיט ffmpeg.
4. איידער איר ווייזט מיר עפּעס, מאַכט אַ קאָנטאַקט בויגן פון סטילס, סקענט ראַם דיפעראַנסיז פֿאַר איין-ראַם פּאָפּס (נאָר די 16טע-נאָט ראַנז מעגן שפּרינגען), און קאָנטראָלירט די קול-צו-מוזיק פאַרהעלטעניש פֿאַר יעדער פראַזע.

א [ווארעם] עפענונג קען קלינגען געפליסטערט, בשעת [אויפגערייצט] קען זיך פילן שווינדלעריש. א הויכפּונקטן קעסטל הינטער א ווארט זעט אויס ווי א ווינדאוס טעקסט אויסוואל. אויב די קאמערא שטעלט זיך צוריק צו 1.0 בעת א הענדאף, שפארט דער זום. א 0.05 סעקונדעס פארשווינדונג זעט אויס ווי אן אינסטאנט אויפשפרינג.

פרעגט מיר פאר די אינפוטס, שרייבט דעם סקריפּט, שיקט מיר 4 שטימע טעיקס צו אויסקלויבן פון, און ווייזט מיר דערנאך 8 סטילס פארן פולן רענדער.

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.

פּראָמפּט גענומען פֿון פּאָסטן @rossaxbt.