Del vídeo solo hace falta el sonido
No hay que convertir nada antes de subirlo. El archivo se sube tal cual, se lee la pista de audio que lleva dentro y la imagen no se toca ni se envía a ningún modelo: para transcribir no aporta nada y solo haría el proceso más lento y más caro.
Eso vale para cualquier contenedor de los que llegan a diario: MP4 de un móvil, MOV de un iPhone, MKV de una grabación de pantalla, WEBM de una reunión descargada. Si tiene sonido, se transcribe. Y si no lo tiene, te lo decimos antes de gastar ni un minuto de tu cuota.