Задача звучит просто: есть презентация и текст лекции, нужен MP4, где каждый слайд показывается ровно столько, сколько длится озвучка. Прототип собирается за час, но дальше всплывают узкие места: LibreOffice отдаёт один PNG на всю колоду вместо кадра на слайд, OCR начинает читать оглавление вслух, LLM возвращает N−1 чанк и сбивает синхронизацию, а наивная схема «озвучить всё» не выдерживает реальных данных.
Автор разбирает пайплайн, который не ждёт сам себя — то есть не полагается на последовательные шаги без учёта ошибок инструментов. Это типичный кейс автоматизации учебного контента: на бумаге всё линейно, в продакшене каждый этап может отдать не то, что ожидали.
Если вы конвертируете лекции в видео, материал помогает составить чеклист проверок до запуска массовой генерации. Следить за связкой экспорта слайдов, качества OCR и разбиения текста для TTS — именно там чаще всего рвётся тайминг.