TL;DR:
iPhone ca. auf Mundhöhe bringen (z.B. mit Bücherstapel) und aus ~20-30cm Entfernung besprechen.
Interview über Festnetz gleichzeitig mit “Sprachmemo”-App aufzeichnen. Sprachmemo anschließend an den Redakteur/Soundbastler schicken.
Also ein klassischer Double-Ender.
Ein Tipp noch: zu Anfang und Ende des Telefoninterviews je einmal schnippsen oder klatschen. Das macht das Syncen/Stretchen einfacher.
Dem Gesprächspartner sagen: wir machen einen klassischen Double-Ender, wird nicht viel bringen. Der eigentliche Nutzen ist ja das Erklärvideo.
Ja, das Video ist ziemlich gut gemacht.
Und @vtanger: Der Tipp mit dem Klatschen ist auch noch einmal Gold wert. Hatte es auch schon einmal dass der gegenüber so gar kein Rhythmusgefühl hatte, er hat es einfach nicht geschafft, auf 3 zu klatschen 
Vielleicht ein Missverständnis:
Natürlich zeichnet man das Telefonat mit beiden Spuren auf, als Backup - und zur Synchronisation.
Und BEIDE Seiten schnippsen / klatschen zu Beginn und Ende - nacheinander.
In der Waveform kann man das dann hervorragend als Peak sehen und die Telefon-Spur mit den “richtigen” Aufnahmen syncen…