Всё верно. Не совместится НИ-КО-ГДА. Скорость распостранения звука равна 330 м/сек, а света - аж 300 000 км/сек. Если камеры стоят на РАЗНОудалённом расстоянии (например, 10 - 50 - 100 метров) , то и звук к ним приходит ПО РАЗ-НО-МУ, а свет - практически мнгновенно.
Придётся РУЧКАМИ покадрово подгонять звук под картинку, либо (как правильно сказали) писать с пульта. Как вариант: поставить камеру или диктофон где-нибудь в одну точку посредине зала, не трогать их весь концерт, и подгонять именно картинку под звук, а не звук под картинку.
ПыСЫ.
Для Вадима Кулешова. Ещё ни разу не получилось получить (во, масло масляное получилось ))) ) ОДИНАКОВОЕ качество звука с РАЗНЫХ камер. Тем более, если они стоят в РАЗНЫХ точках зала.
Для Кота. С разных камер берут только КАРТИНКУ. Звук всегда идёт с ОДНОГО микрофона (с одной точки).