Ксилофон караоке на основе видео (обработка с ИИ)

Я свожу большой аудио трек хрустальной арфы и подложки (минуса, сыгранной на клавишах). Вот видео запись хрустальной арфы https://disk.yandex.ru/i/YLveIeEkp6ppWw я это видео хочу нарезать на уроки, возможно с медленным проигрыванием. Нужно сделать так, чтобы ученику было понятно куда стучать и на экране появлялись цифры как при работе Караоке. Такой Караоке для ксилофона. Объемы обработки видео 1-3ч в месяц. там видео статичное и соответственно можно сделать прозрачные цветные полоски разных цветов (маску на хрустальных трубках). т.е. "раскрасить арфу" https://www.youtube.com/watch?v=slS-de1HE1I люди пытались сделать обучающее видео. Но у нас же на экране должны появляться цифры от 0 до 8.