動画の 1:00 ぐらいから section タグで p タグを囲んだり、 footer タグで img をかっこったりしていますが、ここはこの通りでないとダメなのでしょうか？
個人的には2つとも<div class="voice-text"> <div class="voice-img">としてみたいのですが、構造上ダメなのでしょうか？

私的に section タグは大きなまとまりのタグ、 footer タグはサイトの最後の copyright 表記で使うという認識なので、詳しく教えてもらえませんか？