1枚目の画像をベースに、白衣を着た女性が室内で座りながら、誰かの質問に自然に受け答えしている約5秒の実写動画を生成する。女性は落ち着いた自然な表情で話し、口元が自然に動き、ときどき軽くうなずく。話しながら時折、手元に持っている商品に視線を落とし、その商品を自然に指さしたり、軽く見せたりしながら説明している。手に持つ商品は、2枚目の参考画像の商品に変更する。商品は白い円筒形のジャー容器で、白いリブ付きスクリューキャップ、淡いグレーブルーのラベル、正面に「BUBBLE SCRUB」「CITRUS MUSK」「LAGNET」の文字が入っている。商品の形状、色、質感、ラベルデザインは2枚目の参考画像に忠実に再現する。商品のサイズ感は3枚目の参考画像を基準にし、片手で自然に持てる手のひらサイズのジャーとして再現する。容器の大きさは女性の手に対して自然で違和感のない実寸感にする。1枚目の画像にある録画フレーム風の表示、RECマーク、バッテリー表示、四隅のガイド、日付表示などのオーバーレイ要素はすべて完全に削除する。人物は1枚目の画像を忠実に維持し、女性の顔、髪型、服装、姿勢、座っている位置、背景、室内の照明、机、椅子、観葉植物、カメラアングル、構図はそのまま保つ。変更するのは、手元の商品と録画風オーバーレイの除去のみ。動画はリアルで自然な実写映像、固定カメラ、ミディアムショット、滑らかで控えめな動き、高品質、約10秒。精度を上げるために、参照画像の役割を明確に反映すること。1枚目は人物・背景・構図・動きのベース、2枚目は商品デザインの基準、3枚目は商品の手持ちサイズとスケール基準として使用する。女性や背景は再生成しすぎず、元画像の印象を維持する。商品は女性の手の動きに自然に追従し、指との接触、角度、遠近感、影、ハイライトを自然に一致させる。ラベルは可能な限り正面寄りで安定して見え、文字ができるだけ自然に読めるようにする。