Как собрать озвученный MP4 из презентации, чтобы пайплайн не ждал сам себя

На Хабре разобран пайплайн «презентация плюс текст лекции → MP4», где каждый слайд висит ровно столько, сколько звучит озвучка. Прототип собирается быстро, дальше ломается синхронизация.

Типовые грабли из лида: LibreOffice отдаёт один PNG на всю колоду, OCR читает оглавление, модель возвращает N−1 чанк. Автор предлагает кеш слайдов по хешу, vision вместо распознавания текста, проверку контракта по числу элементов и стриминг TTS в FFmpeg.

Это инженерный разбор, а не кнопка «сделать видео». Код и тупики, включая дедлок, который не падает, а висит, — в исходной статье.