Vom ganzen Video wird nur das Audio genutzt
Es muss vorher nichts umgewandelt werden. Die Datei wird hochgeladen, wie sie ist, die innere Tonspur wird verarbeitet, und das Bild wird nie untersucht: es bringt der Transkription nichts Brauchbares und würde den Ablauf nur verlangsamen.
Das gilt für alle verbreiteten Container: das MP4 von einem Handy, das MOV von einem iPhone, das MKV aus einer Bildschirmaufnahme, das WEBM aus einer heruntergeladenen Besprechung. Enthält die Datei Audio, wird es transkribiert; enthält sie keines, sagen wir es Ihnen, bevor Minuten von Ihrem Kontingent abgehen.