Hogyan/Milyen programmal tudnék ilyen videót csinálni?

"mennyit kell felvennem az adott számból, hol kell megvágni"

Azért ez magától értetődő szerintem. Annyit vegyél fel legalább, amennyit szeretnél, hogy benne legyen a videóban. Hol kell megvágni: ahol akarod. :D A halkítást meg manuálisan megcsinálod az elején-végén.

A számokat egymás mögé pakolni nem kunszt, Movie Maker is tudja, szerintem még ott is vannak transition effectek, de videószerkesztők, amiket kipróbálhatnál: AVS Video Editor, Cyberlink PowerDirector.

Nem tudom, ezekkel lehet-e kép-a-képben dolgot csinálni, talán utóbbival igen.

A lehalkítás annyi, hogy a videószerkesztő programban szokott lenni olyan funkció, hogy amikor idősávon látszik a videó, akkor be lehet kapcsolni hogy látszódjon a hangerő "vonala". Ez egy vízszintes vonal. Ezen kijelölhetsz pontokat, és le-föl húzhatod csökkentve-növelve a hangerőt. A vonal pedig igazodik hozzá. Pl. a lehalkítás annyi, hogy beszúrsz egy pontot a vonal végétől egy picit előrébb, és a végpontot lehúzod. Lehet nem sikerült jól megfogalmanzi, de legjobb ha kipróbálod. :)

Cyberlink PowerDirector tuti tudja, anno csináltam ilyet (és az alapján írom), a többi is biztos, de lehet, picit másképp.