Консольная программа для генерации видео из фото с озвучкой

Здравствуйте!

Требуется консольная программа для генерации видео из набора фото с озвучкой по тексту в соответствующих файлах.

Исходный набор файлов в одной папке с именем "12345":
1.mp4
2.jpg
2.txt
3.jpg
3.txt
4.jpg
4.txt
5.mp4

Где файлы .txt – тексты для озвучки фрагментов видео с проигрыванием файлов .jpg.

1.mp4 – INTRO
5.mp4 – OUTRO

Их нужно будет просто пришить к сгенерированным фрагментам 2.mp4, 3.mp4, 4.mp4 таком порядке: 1.mp4, 2.mp4, 3.mp4, 4.mp4, 5.mp4 
и создать один общий видеофайл 12345.mp4 (12345 – имя папки, в которой находятся исходные файлы для генерации).

Продолжительность проигрывания фрагментов из .jpg зависит от полученной продолжительности аудио при озвучке текстов из .txt.
Между фрагментами используем переходы.
На выходе получаем файл .mp4 или .avi, в зависимости от заданных настроек.
Для озвучки используем Yandex SpeechKit, премиум голоса.

Стоимость, пожалуйста, пишите свою.