２つ動画を一つに組み合わせ、音ズレがないようにしてほしいです。

人との対談動画を、 スマホカメラからの撮影と、ズーム画面をキャプチャしたもの２つで録画し、 組み合わせようとしているのですが、 ズームキャプチャの方から出る音を消して、スマホ録画した方の音で合わせようとしても、 なかなか口の動きと声が合わずに困っています。 それを解消して口の動きと音が合った状態にしていただきたいと思っております。 文章だと説明が難しく、実際に動画をお送りして説明ができればと思いますので、 何卒ご提案いただければと思います。 参考URLの方に、今まで自分が撮った対談動画がどんな感じか上げておきますのでご参照ください。