Как в ffmpeg из нескольких изображений и их зум склеить видео?

Всё описанное можно сделать в ffmpeg.

Анимированный зум делается фильтром zoompan. Он с только целыми координатами работает, поэтому, чтобы не дергался, делать это в повышенном разрешении. Потом даунсэмплить.

Например, из недавнего проекта, где интерактивно генерилась анимация по шаблону, это из bash-скрипта:

FILTER="[0]                                                   \
    pad=color=0x99999900:w=${wIn}:h=${hIn}:x=${xPad}:y=${yPad}, \
    scale=20064x3264,                                           \
    zoompan=                                                    \
      s=${wSrc}x${hSrc}                                         \
      :d=${frames}                                              \
      :z='( ${zoomcode} ) / 16.89999'                           \
      :x='2*(${xPad} + ${xPoi}) * (zoom - 1) / zoom'            \
      :y='2*(${yPad} + ${yPoi}) * (zoom - 1) / zoom'            \
      [fg];                                                     \
      [1][fg]overlay=x=247:y=438                                \
  "

Т.к. зумить меньше, чем влезает во вьюпорт нельзя, сначала картинке добавляется по краям паддинг прозрачный, чтобы можно было уменьшать. Потом размер увеличивается с запасом раз в 5-10, чтобы сделать незаметными целочисленные пиксельные шаги зума и смещения.