声音和画面对不上，很少能靠“重跑一遍”解决。先把问题拆成三类可测因素：视频帧率、音频采样率、以及封装里的时间戳/起始时间。采样率不一致会表现为整段匀速漂移，帧对齐或起始时间戳不一致更多表现为恒定错位，而转码、拼接这类后处理既可能造成恒定错位，也可能顺带引入漂移。判断顺序建议是：先量输出文件的客观参数，再逐帧量偏移是固定还是累积，最后回到生成侧配置和后处理环节定位。
先用 ffprobe 读出视频帧率、音频采样率和两路总时长，确认时间基准是否一致；再在开头、中段、结尾各量一次偏移。三处偏移接近恒定，多指向帧对齐、起始时间戳或固定编码延迟；偏移随时间线性增长，多指向采样率换算或丢帧。原始输出就有偏移，问题偏生成侧；原始输出正常、后处理后出现偏移，问题偏转码与封装。以下方法只用于定位，不替代对具体环境的确认。
用 ffprobe 读出输出文件的帧率、采样率与总时长
先不要听，先量。把生成结果存成文件，用 ffprobe 把两路流的时间基准打出来。命令骨架如下，输出文件路径按实际情况替换：
ffprobe -v error \
-show_entries stream=index,codec_type,codec_name,r_frame_rate,avg_frame_rate,\
start_time,duration,time_base,sample_rate,channels \
-show_entries format=duration,format_name \
-of json output.mp4需要摘出来的字段和含义：
codec_type：区分 video / audio 两路，确认两路都存在。r_frame_rate与avg_frame_rate：标称帧率和平均帧率。两者差距较大时，说明有丢帧或时间戳不均匀，先记下来。sample_rate：音频采样率，常见是 44100 或 48000。duration：分路时长和format总时长。两路时长不一致是音画错位的常见来源。start_time：每一路的起始时间戳。视频和音频起始时间不为 0 或彼此不等，会直接造成开场恒定错位。time_base：时间基，用来判断时间戳精度是否够，尤其是低帧率输出。
常见的不一致表现：配置写 30，读出来是 30000/1001；期望 44100，读出来是 48000；音频 duration 比视频长几十到几百毫秒；某一路 start_time 不是 0。这些都能在文件层面确认，不需要靠耳朵猜。
在播放器逐帧比对，判断是固定偏移还是累积漂移
参数一致不代表一定同步，参数不一致也不一定立刻听得出，所以要量实际偏移。选一个画面和声音能明确对应的点，比如拍手、闪光、敲击声，用支持逐帧步进的播放器，或用 ffmpeg 抽帧配合波形对齐。
测量方法建议取三个位置：
- 开头第一个明显事件，记为偏移 o1，正值表示声音晚于画面。
- 中段事件，记为 o2。取总时长的中间附近。
- 结尾事件，记为 o3。取靠后位置但预留可听见的余量。
两类结果指向完全不同：
- o1 ≈ o2 ≈ o3，即恒定偏移。优先怀疑起始时间戳、编码延迟、帧对齐取整，或后处理里加了一段固定静音/前置帧。
- o1、o2、o3 逐步变大或变小，即累积漂移。优先怀疑两路使用了不同的时间基准，例如音频重采样改变了样本数与时长，或视频被丢帧/补帧导致实际帧率偏离标称值。
再看问题时点：如果未经任何后处理的原始输出就已经是上述结果，问题偏生成侧时间轴或封装；如果原始输出对齐，只有转码、拼接之后才错位，那基本可以确定偏移是后处理引入的。
回看生成配置里的帧率与音频采样率设置
回到生成侧，逐项核对这些类别的配置。具体项名以你所用仓库的配置文件为准，不要凭印象改，先找到实际字段再对照。通常需要确认的内容包括：
- 时长相关：总时长、总帧数或生成步数。三者之间要能互相推出同一个时长，否则本来就对不齐。
- 视频帧率：输出帧率、编码帧率是否一致，是否被默认值覆盖。
- 音频采样率：模型输出采样率、后续编码采样率是否一致，左右声道数是否与下游预期相同。
- 输出封装：容器格式、视频编码与音频编码。不同封装对时间戳精度的处理不同。
核对时重点看两点：配置里写的帧率/采样率，与实际 ffprobe 读出的值是否一致；两路时长按各自配置推算后是否相等。不一致就先在生成侧修，不要先动后处理。
检查后处理与封装环节：重采样、丢帧、编码参数
后处理是最容易叠加二次偏移的地方。验证顺序建议从原始输出开始，逐步加回每一步：
- 直接用生成侧原始输出播放并复测 o1/o2/o3，作为基准。
- 只做拼接或合并，其他不动，复测一次，看偏移是否出现。
- 再开启音频重采样或编码，复测一次，重点看漂移是否出现。
- 最后开启视频转码或抽帧，复测一次，重点看帧率与时长是否被改写。
每步之后的观察点：ffprobe 读出的 sample_rate、avg_frame_rate、两路 duration、start_time 是否变化；偏移属于恒定还是漂移；变化出现在哪一步。常见成因包括音频重采样改变样本数、抽帧后帧率与总时长不再匹配、拼接时按各自时长对齐而不是按时间戳对齐、封装阶段重写 start_time。只做止血式的拷贝或临时替换，不解决时间基准问题，最多让现象暂时不显眼。
每次只改一个变量后复测并记录结论
同时改帧率和重采样，最后仍然无法归因。建议每次只改一项，改完立刻复测同一组位置，并把结果记下来。记录表结构可以参考：
- 变量：本次改的配置项或处理步骤，例如音频编码采样率、视频转码帧率。
- 改前值 / 改后值：具体数值。
- o1 / o2 / o3：开头、中段、结尾的偏移，注明正负方向。
- 偏移类型：恒定或漂移，漂移时记下大致增长方向。
- 结论：偏移是否消失，出现在哪一步，是否可复现。
最终判定建议写成三句话：问题出在哪一环节（生成侧时间轴、起始时间戳、音频重采样、视频抽帧或封装），偏移量和方向是多少，规避方式是固定时间基准、对齐两路时长，还是停用某一步后处理。如果三处偏移恒定且来自起始时间戳，通常可以在封装阶段对齐；如果是漂移，优先回生成侧确认帧率与采样率，而不是在播放侧反复调整。