Монтаж видео (наложить одно на другое)

Наложить на запись экрана лицо говорящего. Есть проблема с записью лица — оно иногда зависает на несколько минут. В такие моменты нужно заменять видео лица на статичное фото и добавлять к нему звуковые волны. Т.е. вокруг изображения (или рядом полоска) двигающихся звуковых волн. Задача показать, что фото говорит. Речь говорящего обязательно должна совпадать с происходящем на экране. Полное ТЗ: https://docs.google.com/document/d/1wDoi0Qg4lOP-Izph8crk-qwwfxT6Izo3lmKBM2o_c2E/edit?tab=t.0 По срокам 2-3 дня