細かい制御させようと思ったら
音声と動画の同時生成はむずそう

nano bananaかcontrolnetみたいなやつでうまくポーズとらせたあと
WanのFLF2Vとかで動画生成して
地道にくっつけて
音声は後からくっつける...とかしか
最適解思いつかない