Видео состоит из кадров (24, 25,, 30… в секунду), а звук из сэмплов (44100, 48000, 88200, … в секунду), возможна ситуация, когда будет расхождение, не получится идеально в такт попасть, тогда ставьте видео чуть раньше (или чуть позже, но на протяжении всего звука придерживайтесь одного направления)