将视频与特定偏移量的音频文件MP3、WAV片段混合

我有一个由 1440 个 PNG 文件制作的 1 分钟视频：

ffmpeg.input('tmp/%04d.png',framerate=24).output('test.mp4').run()

如何使用 ffmpeg-python 添加来自音频文件的音轨、裁剪和时间偏移？

示例：

在 t=0 秒时，没有声音。

在 t=12 秒时，我想添加 a.wav 的前 5 秒（此文件原本较长）

在 t=17 秒时，没有声音了

在 t=25 秒时，我想添加 b.mp3

的前 10 秒

等

我已尝试使用 Mono to stereo with offsets and video 以及 atrim 的正值和负值，例如：

audio = (
    ffmpeg
    .input('a.wav')
    .filter('atrim',start=-12)     # or start=12
    .filter('asetpts','PTS-STARTPTS')
)

但它不起作用：输出音频文件在前 12 秒内没有静音，如需要。