简单的图片拼接问题，规定了持续时长和转场，但会有零点几秒的误差。
有个解释是：
由于视频编码和帧率导致的误差：
- 帧率为30fps：每帧时长 = 1/30 ≈ 0.0333秒
- 视频时长必须是帧的整数倍：ffmpeg在编码时会将时长调整到最接近的帧边界
这个误差是不可避免的，因为：
- 视频是以帧为单位的离散媒体
- 30fps时，时长精度只能达到 ±0.0333秒的倍数
- 多次trim、转场、concat操作会累积这些舍入误差
0.3秒的误差（约9帧）在44秒的视频中是完全可以接受的，误差率只有0.68%。
如果要进一步减小误差，可以：
- 使用更高的帧率（如60fps），但会增加文件大小
- 调整clip_duration的值，使其更接近帧边界的整数倍（如3.4改为3.4333或3.3667）