このときつくったデモでは、Core MLに渡すために動画からオーディオトラックを取り出していったんファイルに保存し、それをSound Analysisに渡して話者認識を行っている。（もちろんストリーミング再生しつつ認識実行もできるが、それはまた別途）

その「動画からオーディオトラックとして抜き出し、ファイルとして保存する」という部分はSound Analysis関係なく汎用的な処理なので、ここに手順をメモっておく

動画ファイルからオーディオトラックを取得する