①当初： -410ミリ秒 ディレイ →大元より、約10ミリ秒早くなった
②映像の差分の、-466ミリ秒 ディレイ →大元より、約77ミリ秒早くなった
③修正版 ｏｆ ①： -396ミリ秒 ディレイ →①とほぼ同じ。
④修正版 ｏｆ ①： -390ミリ秒 ディレイ →大元より、約16ミリ秒遅くなった
これから分かるように、指定した値に対して、結果は「とびとびの値」をとる
ようです。
大元より早くなった、遅くなったと書いているのは、映像を抽出した動画に
付属していた大元の音声よりも、早くなった／遅くなった、という意味です。
再度聴き直してみると、なんとなく「ステレオの音声を抽出した動画」では、
映像よりもやや音声が早いような気がします。 かすかに違和感があります。
上記①～④の、映像と音声を結合した動画を見て、良さそうなのは
①（≒③）、④
でした。 ①と④を比べると、①の方が自然かなーという印象を受けました。
微妙な違いを聞き分けようとして、
「How Will I Know」の文句を聞きすぎて、ちょっとうんざりしてきました。（笑）
いっぱい聞いていると、どれも「それなり」に思えて来ました。疲れたか？
最後に、音声のタイミングの比較結果を示しておきましょう。
Ａ＝「Whitney Houston - How Will I Know.flv」＝映像を抽出した動画
Ｂ＝「x1v1e2.mp4」＝音声を抽出した動画
として、
Ａ Ｂ
①当初： -410ミリ秒 ディレイ ④修正版 ｏｆ ①： -390ミリ秒 ディレイ
の順に配置してあります：
何かの参考になったかな？