Do vídeo só é preciso o som
Não é preciso converter nada antes de enviar. O arquivo é enviado do jeito que está, a faixa de áudio que ele traz dentro é lida e a imagem não é tocada nem enviada a nenhum modelo: para transcrever ela não acrescenta nada e só deixaria o processo mais lento e mais caro.
Isso vale para qualquer contêiner dos que chegam todo dia: MP4 de um celular, MOV de um iPhone, MKV de uma gravação de tela, WEBM de uma reunião baixada. Se tem som, é transcrito. E se não tem, avisamos antes de gastar um minuto sequer da sua cota.