Di tutto il video si usa solo l'audio
Non serve convertire niente prima. Il file si carica com'è, si elabora la traccia audio interna, e l'immagine non si analizza mai: non aggiunge niente di utile alla trascrizione e rallenterebbe soltanto il percorso.
Questo vale per tutti i contenitori comuni: l'MP4 di un telefono, il MOV di un iPhone, l'MKV di una registrazione dello schermo, il WEBM di una riunione scaricata. Se il file contiene audio, si trascrive; se non lo contiene, te lo diciamo prima di consumare un minuto del tuo saldo.