ffmpeg: как синхронизировать аудио из наложенного видео во время воспроизведения

Я пытаюсь объединить два видео:

• Базовое видео
• Более короткое видео накладывается сверху, начиная с 2 секунд до основного видео

Когда я делаю это, звук из наложенного видео начинается сразу с начала основного видео, а не когда отображается наложенное видео.

Я пробовал десятки комбинаций setpts, asetpts, adelay и т. Д., И не могу получить звук для наложенного видео для воспроизведения, когда отображается наложенное видео. Я пытался найти похожие вопросы на этом сайте, но не нашел ответа на него.

Вот:

• Базовое видео, 10-секундное видео 1280x720 с чистым красным фоном и тихим звуком: https://drive.google.com/file/d/0B56RokrDs3xaVGxGeU9ndVRjU1U/view?usp=sharing
• Оверлейное видео, 5-секундное видео 640x480 с изображением автомобиля с некоторым звуком: https://drive.google.com/file/d/0B56RokrDs3xaaTNqRXF3Y2FldG8/view?usp=sharing
• Результат команды ниже, где видео показывается по желанию, но звук теперь не синхронизирован с наложенным видео: https://drive.google.com/file/d/0B56RokrDs3xaLXo3bEpydmZmV1E/view?usp=sharing

Вот моя полная командная строка и вывод, где я пытаюсь поместить оверлейное видео в центр основного видео, начиная с двух секунд в видео.

ffmpeg -y -i base.mp4 -i overlay.mp4 -c:v libx264 -c:a libfdk_aac -filter_complex " [0:v] setpts=PTS-STARTPTS [b1] ; [1:v] setpts=PTS-STARTPTS+2/TB [b2] ; [b1] [b2] overlay=x=320:y=120:eof_action=pass [outv] ; [1:a] adelay=2|2 [outa] " -map "[outv"] -map "[outa]" combined.mp4 ffmpeg version N-81978-g03d6d5f Copyright (c) 2000-2016 the FFmpeg developers built with gcc 4.8 (Ubuntu 4.8.4-2ubuntu1~14.04.3) configuration: --enable-gpl --enable-libx264 --enable-nonfree --enable-libfdk-aac libavutil 55. 32.100 / 55. 32.100 libavcodec 57. 61.102 / 57. 61.102 libavformat 57. 51.107 / 57. 51.107 libavdevice 57. 0.102 / 57. 0.102 libavfilter 6. 63.100 / 6. 63.100 libswscale 4. 1.100 / 4. 1.100 libswresample 2. 2.100 / 2. 2.100 libpostproc 54. 0.100 / 54. 0.100 Input #0, mov,mp4,m4a,3gp,3g2,mj2, from 'base.mp4': Metadata: major_brand : isom minor_version : 512 compatible_brands: isomiso2avc1mp41 encoder : Lavf57.51.107 Duration: 00:00:10.05, start: 0.000000, bitrate: 116 kb/s Stream #0:0(und): Video: h264 (High) (avc1 / 0x31637661), yuv420p, 1280x720 [SAR 1:1 DAR 16:9], 10 kb/s, 29.97 fps, 29.97 tbr, 30k tbn, 59.94 tbc (default) Metadata: handler_name : VideoHandler Stream #0:1(und): Audio: aac (LC) (mp4a / 0x6134706D), 44100 Hz, mono, fltp, 96 kb/s (default) Metadata: handler_name : SoundHandler Input #1, mov,mp4,m4a,3gp,3g2,mj2, from 'overlay.mp4': Metadata: major_brand : isom minor_version : 512 compatible_brands: isomiso2avc1mp41 encoder : Lavf57.51.107 Duration: 00:00:05.05, start: 0.000000, bitrate: 1821 kb/s Stream #1:0(und): Video: h264 (High) (avc1 / 0x31637661), yuv420p, 640x480 [SAR 1:1 DAR 4:3], 1728 kb/s, 29.97 fps, 29.97 tbr, 30k tbn, 59.94 tbc (default) Metadata: handler_name : VideoHandler Stream #1:1(und): Audio: aac (LC) (mp4a / 0x6134706D), 44100 Hz, mono, fltp, 96 kb/s (default) Metadata: handler_name : SoundHandler [libx264 @ 0x3076e40] using SAR=1/1 [libx264 @ 0x3076e40] using cpu capabilities: MMX2 SSE2Fast SSSE3 SSE4.2 AVX AVX2 FMA3 LZCNT BMI2 [libx264 @ 0x3076e40] profile High, level 3.1 [libx264 @ 0x3076e40] 264 - core 142 - H.264/MPEG-4 AVC codec - Copyleft 2003-2014 - http://www.videolan.org/x264.html - options: cabac=1 ref=3 deblock=1:0:0 analyse=0x3:0x113 me=hex subme=7 psy=1 psy_rd=1.00:0.00 mixed_ref=1 me_range=16 chroma_me=1 trellis=1 8x8dct=1 cqm=0 deadzone=21,11 fast_pskip=1 chroma_qp_offset=-2 threads=12 lookahead_threads=2 sliced_threads=0 nr=0 decimate=1 interlaced=0 bluray_compat=0 constrained_intra=0 bframes=3 b_pyramid=2 b_adapt=1 b_bias=0 direct=1 weightb=1 open_gop=0 weightp=2 keyint=250 keyint_min=25 scenecut=40 intra_refresh=0 rc_lookahead=40 rc=crf mbtree=1 crf=23.0 qcomp=0.60 qpmin=0 qpmax=69 qpstep=4 ip_ratio=1.40 aq=1:1.00 Output #0, mp4, to 'combined.mp4': Metadata: major_brand : isom minor_version : 512 compatible_brands: isomiso2avc1mp41 encoder : Lavf57.51.107 Stream #0:0: Video: h264 (libx264) ([33][0][0][0] / 0x0021), yuv420p, 1280x720 [SAR 1:1 DAR 16:9], q=-1--1, 29.97 fps, 30k tbn, 29.97 tbc (default) Metadata: encoder : Lavc57.61.102 libx264 Side data: cpb: bitrate max/min/avg: 0/0/0 buffer size: 0 vbv_delay: -1 Stream #0:1: Audio: aac (libfdk_aac) ([64][0][0][0] / 0x0040), 44100 Hz, mono, s16, 96 kb/s (default) Metadata: encoder : Lavc57.61.102 libfdk_aac Stream mapping: Stream #0:0 (h264) -> setpts Stream #1:0 (h264) -> setpts Stream #1:1 (aac) -> adelay overlay -> Stream #0:0 (libx264) adelay -> Stream #0:1 (libfdk_aac) Press [q] to stop, [?] for help frame= 300 fps=188 q=-1.0 Lsize= 611kB time=00:00:09.90 bitrate= 505.4kbits/s speed=6.22x  video:543kB audio:60kB subtitle:0kB other streams:0kB global headers:0kB muxing overhead: 1.399169% [libx264 @ 0x3076e40] frame I:2 Avg QP:10.60 size: 13404 [libx264 @ 0x3076e40] frame P:75 Avg QP:16.09 size: 4471 [libx264 @ 0x3076e40] frame B:223 Avg QP:19.79 size: 868 [libx264 @ 0x3076e40] consecutive B-frames: 0.7% 0.0% 2.0% 97.3% [libx264 @ 0x3076e40] mb I I16..4: 84.4% 8.1% 7.5% [libx264 @ 0x3076e40] mb P I16..4: 1.6% 0.3% 0.1% P16..4: 6.6% 4.7% 2.4% 0.0% 0.0% skip:84.2% [libx264 @ 0x3076e40] mb B I16..4: 0.0% 0.0% 0.0% B16..8: 6.9% 1.2% 0.2% direct: 0.3% skip:91.3% L0:43.4% L1:49.6% BI: 7.0% [libx264 @ 0x3076e40] 8x8 transform intra:12.1% inter:54.7% [libx264 @ 0x3076e40] coded y,uvDC,uvAC intra: 12.6% 15.3% 2.2% inter: 2.1% 1.8% 0.0% [libx264 @ 0x3076e40] i16 v,h,dc,p: 94% 3% 2% 1% [libx264 @ 0x3076e40] i8 v,h,dc,ddl,ddr,vr,hd,vl,hu: 17% 22% 30% 3% 6% 6% 5% 3% 7% [libx264 @ 0x3076e40] i4 v,h,dc,ddl,ddr,vr,hd,vl,hu: 23% 25% 13% 4% 7% 8% 7% 5% 7% [libx264 @ 0x3076e40] i8c dc,h,v,p: 88% 6% 6% 0% [libx264 @ 0x3076e40] Weighted P-Frames: Y:2.7% UV:1.3% [libx264 @ 0x3076e40] ref P L0: 63.2% 14.8% 18.0% 3.9% 0.1% [libx264 @ 0x3076e40] ref B L0: 94.4% 4.8% 0.8% [libx264 @ 0x3076e40] ref B L1: 96.9% 3.1% [libx264 @ 0x3076e40] kb/s:444.04