Ну вот локально протестил FLUX1.dev сделал картинку, LTX2.3 видео (~150-200сек на генерацию на RTX4090) А Veo3 Гугл отказывался делать все время не проходили политику их использования, так что сила локальных моделей отсутствие цензуры и можно делать все что угодно! Над звуком особо не заморачивался просто записал свой голос 9 сек, можно добавить музыку и звуки но пост обработку но это чисто пруф оф концепт так сказать. LTX2.3 как видите вполне справляется с липсинком и можно делать длинные видео используя кадр последнего видео для нового захода + можно задать длину ролика больше но я не проверял...