rntstsgr

可能だと思います。
楽器と伴奏を合わせた音がヘッドホンに出力されます。

私は
iPhone（動画撮影と録音）
タブレット（伴奏を入力する端末）
ベース
モニターヘッドホン（伴奏とベースを合わせた出力をモニター）
で動画撮影を行っています。

私の機材から質問者様の機材に変換すると

iPhone → アンドロイドスマホ
タブレット →　WALKMAN
ベース → チェロ

になります。
簡易ですが図を作りましたので確認していただければ…。


アンドロイドスマホの適当なアプリの件ですが、
すみません…私にはわかりません。
動画撮影をiPhone標準のカメラアプリで行い、
動画のトリミングや文字入れを
iPhoneに標準搭載の動画編集アプリiMovieでしていますので…。

追加の質問がありましたらどうぞ気軽に。