こういうの、ちょっと考えてまふ 1. 生成したい動画プロンプトを雑に投げる ↓ 2. 各シーン別の動画シナリオに分解（t2t） ↓ 3. 動画シナリオから画像生成用danbooruタグ生成（t2t） ↓ 4. danbooruタグからシーン別の画像生成（t2i） ↓ 5. 画像レビュー（i2t） / 4.の再生成（t2t） ↓ 6. シーン別の画像から動画生成（i2v） ↓ 7. 動画レビュー（v2t） / 6.の再生成（i2v） ↓ 8. シーン結合（ffmpeg的な何か）