ffmpegで数枚の画像に音声をつけて動画を作成したい

Question

ffmpegを初めて触っています。
「紙芝居ジェネレータ」みたいなものを作ろうとしており、以下のことを実現したいと考えています。

１：画像数枚を用意
２：ナレーション音声ファイルを用意
３：画像が切り替わるタイミングを時間指定して、１つの動画ファイルを生成

例えば、jpeg画像が3枚、ナレーション音声が40秒あったとして、
１枚目の画像：0から12.4秒
2枚目の画像:12.4秒から28.8秒
3枚目の画像：28.8秒から最後(40秒)まで
という指定を行い、指定通りの時間で画像表示しつつナレーションが入る動画をサーバ上で作成したいです。

ffmpegで実現しようとしております。ffmpeg利用時の画質低下について見識が足りず複数回動画を作成したり合成したりすると画質が落ちるのではと考えており、一発のコマンドで上記の動画作成までたどり着けたら良いなと考えています。
しかしながら、複数回の処理に別れるのでも画質低下がないか少なければば良いと思っています。

コマンド一発でうまく作成できる方法があれば、ご教示いただけたら助かります。

現在、例えば画像１つで指定秒数の無音の動画は

$ ffmpeg -r 1/12.4 -i img1.jpg out1.avi
ffmpeg version 3.2.4 Copyright (c) 2000-2017 the FFmpeg developers
  built with Apple LLVM version 8.1.0 (clang-802.0.42)
  configuration: --prefix=/opt/local --enable-swscale --enable-avfilter --enable-avresample --enable-libmp3lame --enable-libvorbis --enable-libopus --enable-libtheora --enable-libschroedinger --enable-libopenjpeg --enable-libmodplug --enable-libvpx --enable-libsoxr --enable-libspeex --enable-libass --enable-libbluray --enable-lzma --enable-gnutls --enable-fontconfig --enable-libfreetype --enable-libfribidi --disable-libxcb --disable-libxcb-shm --disable-libxcb-xfixes --disable-indev=jack --disable-outdev=xv --enable-audiotoolbox --enable-sdl2 --mandir=/opt/local/share/man --enable-shared --enable-pthreads --cc=/usr/bin/clang --enable-vda --enable-videotoolbox --arch=x86_64 --enable-yasm --enable-libx265 --enable-gpl --enable-postproc --enable-libx264 --enable-libxvid
  libavutil      55. 34.101 / 55. 34.101
  libavcodec     57. 64.101 / 57. 64.101
  libavformat    57. 56.101 / 57. 56.101
  libavdevice    57.  1.100 / 57.  1.100
  libavfilter     6. 65.100 /  6. 65.100
  libavresample   3.  1.  0 /  3.  1.  0
  libswscale      4.  2.100 /  4.  2.100
  libswresample   2.  3.100 /  2.  3.100
  libpostproc    54.  1.100 / 54.  1.100
Input #0, image2, from 'img1.jpg':
  Duration: 00:00:00.04, start: 0.000000, bitrate: 37410 kb/s
    Stream #0:0: Video: mjpeg, yuvj420p(pc, bt470bg/unknown/unknown), 1131x707 [SAR 72:72 DAR 1131:707], 25 tbr, 25 tbn, 25 tbc
[swscaler @ 0x7fb1d700e800] deprecated pixel format used, make sure you did set range correctly
Output #0, avi, to 'out1.avi':
  Metadata:
    ISFT            : Lavf57.56.101
    Stream #0:0: Video: mpeg4 (FMP4 / 0x34504D46), yuv420p, 1131x707 [SAR 1:1 DAR 1131:707], q=2-31, 200 kb/s, 0.08 fps, 0.08 tbn, 0.08 tbc
    Metadata:
      encoder         : Lavc57.64.101 mpeg4
    Side data:
      cpb: bitrate max/min/avg: 0/0/200000 buffer size: 0 vbv_delay: -1
Stream mapping:
  Stream #0:0 -> #0:0 (mjpeg (native) -> mpeg4 (native))
Press [q] to stop, [?] for help
frame=    1 fps=0.0 q=7.2 Lsize=      65kB time=00:00:12.40 bitrate=  42.9kbits/s speed= 397x    
video:59kB audio:0kB subtitle:0kB other streams:0kB global headers:0kB muxing overhead: 9.540216%

とすると作成できました。
（再生すると12.4秒とシークバーに表示はされますが、最終の手前で再生が終了してしまいます。再生終了の原因は不明です。Macで5Kplayerで再生しています）

２つの動画の合成については、
out1.avi
out2.avi
の２つの動画があったとして、
input.txtに

file /path/to/out1.avi
file /path/to/out2.avi

という内容を記述した上で、

$ ffmpeg -f concat -safe 0 -i input.txt -c copy out3.avi

とするとout3.aviで動画が合成されることが確認できました。

音声合成については、

$ ffmpeg -i out3.avi -i voice.mp3 last.avi

で合成が可能でした。

一発で作成するコマンドがあればそれにしたいなと考えていますが、難しそうなら上記の手順をプログラムで動的に生成するようにして、動画を作ろうかと思います。

ffmpeg以外でもコマンドかプログラムから操作できる方法であれば良いので、違う方法のアドバイスをいただけるのでも助かります。
ご指摘、ご教示いただけることがあれば、是非よろしくお願いいたします。

Answer 1

やはり一度で全部作成するのはできませんでした。
段階を踏んで作成するようにしました。

ありがとうございました。