ビデオチャットでやりとりされる音声をリアルタイムで抜き出せるか

まだ具体的な構成の検討をし始めている段階ですが、ビデオチャットでやりとりされる音声をリアルタイムで抜き出せるかどうかを知りたいと思っております。最終的にやりたいことは、抜き出した音声をベンダーが提供しているAPIを使ってリアルタイムでテキスト化することです。SDKはAndroidかJavaScript で考えております。ヒントとなる情報をいただけると非常に助かります。