تایپ متن word از روی فایل ویدئویی یا صوتی

من چندین فایل ویدئویی به زبان فارسی دارم که نیاز هست که به صورت متن word داکیومنت بشن. و برام مهم هست که عبارات و کلمات انگلیسی که در ویدئو هست مثل ip یا server حتما به صورت انگلیسی تایپ بشود زبان اصلی ویدئو فارسی هست ولی با توجه به عبارات انگلیسی در واقع تایپ به صورت دو زبانه هست و **لازم به ذکر هست که متن خروجی باید به صورت رسمی و کتابی باشد به طور مثال عبارت "میشه" یا "بتونیم" در فایل صوتی باید به کلمات "میشود" یا "بتوانیم" تایپ شود. هر فایل تایم های متفاوتی داره اما در مجموع من 10 فایل آموزشی دارم که مجموع تایم اون 683 دقیقه یا 11 ساعت و خورده ای هست. هر کدوم از این ویدئو ها باید به صورت جداگانه به "سبک سمپلی که در فایل های پروژه آپلود شده به صورت محتوای متنی تبدیل بشه." جهت نمونه بخشی از صوت فایل هم برای بررسی قرار داده شده