假设要合成 60 秒的视频，总共有 6 张图片，每张图片大约 10 秒种，对应 2-3 句话，每句话有一个 mp3 文件，有一段文本（字幕）要显示在图片上，切换图片时有点转场效果。
就这么一个任务，GPT4 跟狗屎一样说的全都不对，一运行就各种错。
有各种方案：
a 方案： 每个图片和它的 mp3 生成一个视频，然后 6 个视频连接，然后总视频加上字幕；
b 方案： 所有 mp3 连接得到总音频，6 个图片生成总视频，然后总音频，总字幕加到总视频上；
我一点经验没有，让 gpt4 实现转场就没有一个达到目地的，说的全都不对。
我很奇怪，这应该是最基础的需求，为何 ffmpeg 的开发者就想不到让人轻松点
