Местный конвертер видео уродует звук (оригинал был AAC 256 килобит), но других методов особо нет. Изначально планировал добавить зацикленную анимацию из GIF, но ему такой вариант понравился еще меньше и видео то не загружалось, то висло в процессе конвертации, а если вдруг и добавлялось, то виден был только первый кадр. Последний вариант настроек FFMPEG:

ffmpeg -loop 1 -i cover.jpg -i audio.m4a -vf "scale=-2:720" -acodec aac -b:a 256K -shortest -vcodec libx264 out.avi