Marhára nem értek hozzá, de az általatok korábban írtak alapján jutott eszembe valami:

A hangot nem lehet "széthúzni", mint a videót? Mert ha rövid ideig sipákolnak, akkor esetleg meg lehetne csinálni, hogy a sipákolás kivágva, az előtte és utána lévő hang meg annyival megnyújtva, hogy folyamatos legyen a hang. Így annyira el sem mászna a hang a képtől.