Do vídeo inteiro, só o áudio é usado
Não precisa converter nada antes. O arquivo é enviado como está, a trilha de áudio interna é processada, e a imagem nunca é analisada: ela não acrescenta nada útil à transcrição e só deixaria o processo mais lento.
Isso vale para todos os contêineres comuns: o MP4 de um celular, o MOV de um iPhone, o MKV de uma gravação de tela, o WEBM de uma reunião baixada. Se o arquivo tem áudio, ele é transcrito; se não tem, a gente te avisa antes de gastar minuto nenhum do seu saldo.