もし直接生でビデオ信号を2つ合成するには編集スタジオ機器が要ります。
左右一部ずつ分け合うなら古いアナログ機材で同時合成も出来ますが、
ズームワイプ効果という、大きさを変える等はフルデジタルなので
いまやスタジオ同等の性能がある、パソコンの動画編集で作ることになります。
用語でABロール(2つ同時に回して)編集という作業が出来れば十分です。
1)全景とアップの、それぞれの撮影動画をパソコンに取り込む
多分、リアクションの身振りきっかけで合わせる調節も出来るでしょう。
芝居なら冒頭と演技の後に、「カチンコ」代わりに手を叩くなど
画像でタイミングがわかる動作を両方のカメラに撮れれば、編集が楽です。
2)それぞれの動画の時間軸「タイムライン」に毎秒30駒まで判る数字
(タイムコード)が付いて、操作できるようになるので、
2つの動画で同じカットごとの、時間=位置を合わせて両方に「編集点」を登録
3)編集点を基準に、両方の動画を同時に回して、
必要なワイプ処理を随時セットして合成し、カット単位で完成させる。
単純に画像を縦か横へ縮めて並べるのも、動きを追いかけて変化させるのも
パソコンの動画アプリの能力、登録した効果によって選べます。
音については、よく録れてる方を使う程度なので、動画編集内蔵の
バランスミックスだけで済み、音響ツールで別編集は要らなさそう。
ただ、機材がしっかり有れば、1カメラは声だけワイヤレス経由などで
大きく撮ると、単に内蔵での声よりも、ずっと良くなります。