将Mp4或视频文件上传到Google语音到文本API的新“视频”模型

Question

是否可以（或即将推出）将视频文件上传到Google语音转文本API，而无需事先将其转码为音频文件，然后再将其编码为.flac或LINEAR16？

我已经尝试过我能想到的所有组合，以使新的视频模型（当前处于Beta版）接受mp4视频文件，但无法实现。

偶然地，我注意到Speech-to-Text API demo 成功导入了mp4文件并产生了转录。这是否意味着该功能当前可用，但文档尚未发布？也许它将很快到来？任何对此的见解将不胜感激。