要实现视频和文案的自动合成，需要采用自然语言处理（NLP）和计算机视觉（CV）技术，具体步骤如下：

1. 文本理解：通过NLP技术对文案进行理解，提取出关键信息和语义，生成对应的模板。

2. 视频素材选取：根据文案中的关键信息和语义，借助CV技术从已有的视频素材库中选取与文案相符合的视频素材。

3. 视频合成：将选取的视频素材进行拼接、剪辑、添加特效等操作，生成与文案相符合的视频。

4. 语音合成：将文案中的文字转换成语音，生成与文案相符合的语音。

5. 视频和语音的合成：将生成的视频素材和语音按照时间轴进行合并和同步，生成最终的自动合成视频。

整个自动合成的过程需要多个技术领域的配合，其中关键的是语义理解、视频素材选取和视频合成三个部分。目前已有多家公司和团队在这个方向上进行研究和创新，未来随着技术的不断进步，自动合成的效果也会越来越好。