いまの生成AIですべてを実現するのはおそらく難しいと思います。（たぶん）

1. 音楽を用意します
2. イラストを用意し image to video と呼ばれるような画像とプロンプトで動画を生成するサービスを利用し、画像の人物に口パクだけをさせる動画を用意します。
   （ Hailuo AI, Kling AI, midjourney等めちゃくちゃあります）
3. 動画編集ツールで音楽と動画を組み合わせて、そこに字幕を編集でつけます。

現時点で存在しているAI生成動画は基本的にこうして作っているはずです。