Я бы использовал Аудишн только для разметки. Определил бы точки реза (с учётом длины фрейма, естественно), потом порезал бы дорожки delaycut и склеил бы mkvToolnix. Вряд ли для Вас максимальная погрешность в 16 мс будет критична. Зато обойдётесь без перекодирования, звук от этого лучше не становится.