音声抽出がインアウト間の時間より長くなってしまう

>長い動画でもカウント？表示のみが違うだけで音ズレ無しという理解でよろしいでしょうか？？？

今回のケースではそのような考え方で大丈夫です。

書き出し元のシーケンスのデュレーションはNDFで10分ちょうどと表示されますが、実際に正確な再生環境（コマ落ちせず正確なフレームレート）で再生してストップウォッチで正確に計測できたならば、10分00秒6となります。

この誤差は、60.00fpsや30.00fpsではなく59.94fpsや29.97fpsという0.1%遅いレートであるにもかかわらず60フレーム（30フレーム）=1秒とカウントしていることが原因です。

放送の分野ではその誤差が無視できないので（1時間で3.6秒の差になるので、番組が3.6秒切れてしまっては困りますね）、0.1%遅いレートで進む映像信号のカウントを実時間に合わせるために、適宜カウントを飛ばす「ドロップフレーム」というタイムコード方式があるというわけです。

少し遅れる時計を、定期的に針をグイッと進めて合わせ直すようなイメージですね。00分、10分、20分…といった分が0のとき以外、毎分00秒のとき00フレームと01フレームの2フレーム飛ばして02フレームからカウントするのがDFです。

以下は余談です。

その昔、白黒放送は電源に同期した30.00fps(60.00i)だったのですが、カラー化されるときに色信号をのせることによる音声信号との干渉を防ぐために周波数を少しずらして29.97fps(59.94i)になったのが、このややこしい状況のそもそもの原因です。

ハイビジョン(HD)化の際に再び30.00fps(60.00i)に戻ることもできたのですが、スタンダード放送（SD）とのサイマル放送などの互換の都合で、結局今に至るまで残っているといった状況です。

（59.94iと60.00iのリアルタイム変換は、1000フレームおきに1フレーム飛ぶ瞬間がカクッと気になるので、意外とうまくゆかないのです。フレームバッファに溜め込んでコマ飛びが目立ちにくいところで飛ばす方法も考え出されていましたが、結局「SDとHDでフレームレートを変えない」のが一番楽で確実ということになったのだと思います。）