[DJ Mogarych]

Контейнер avi не предполагает чёткую привязку аудиодорожки к видео. Обе дорожки воспроизводятся одновременно, и всё. Меток, обозначающих привязку какого-то момента видео к какому-то моменту аудио, нет. Ситуация осложняется ещё и тем, что MPEG-4 кодеки кодируют не каждый кадр по отдельности, а ключевые и "отличия", а звук тоже сжат. Соответственно, синхронизация получается "как повезёт", по времени.
Соответственно, при перекодировании может произойти что угодно — например, аудиокодек счёл, что тишину в конце можно отрезать на несколько миллисекунд, или провести ещё какие-нибудь "оптимизации". Аудио и видео по времени начинают различаться, но контейнеру avi на это наплевать, так как в нём нет механизмов синхронизации. Всё просто валится в одну кучу и формируется файл; вот вам и результат.

Конечно, может быть и иначе, но общий сценарий примерно такой.