まず、字幕を消して通しで聞く。

2人が被せながら喋る。同時発話の壁
ほぼ分からなくて正常です。分かろうとせず、「どこで置いていかれたか」だけ見てください。

次の画面では、このクリップの中で実際に喋られた 4 行を、Lv.10 の設定で書き取ります。