Opakuju jedině to, co psal Wikan ve větě:

Pokud to má 26 hodin, tak je to prakticky jistě jenom zvuk.

Mimochodem s tou jeho následující větou nesouhlasím, protože klidně by teoreticky mohlo být video jen statický obrázek (jinak by to nebyla audiokniha) enkodovaný na konstantní kvalitu a tam by video stopa mohla být klině mnohem menší než audiostopa.
A přidal jsem k tomu ještě výpočet k tomu, aby bylo jasné jaký ten bitrate ve skutečnosti je.
A co hlavní, nikdo tu nenapsal to nejdůležitější a to použít kvalitní nízkobitratový aac kodek jak jsem dal příklad například nero aac codec a enkodovat to s ním na velmi nízké bitrate, kvalitativně i velikostně bude spokojený. Pokud by použil ffmpeg nebo format factory (oba NEMAJÍ kvalitní nízkobitratový aac kodek, v případě ffmpeg by snad se dalo něco vymyslet pokud by měl ffmpeg kompilovaný s fdkaac (ofiko kompilace na zeranoe je bez fdkaac), ale to pochybuju), jak tu bylo uvedeno, nebo ještě nějak domršil mp3 jak jsi uvedl ty, tak buď by nedosáhl tak velké optimalizace na velikosti nebo by došlo k razantnímu snížení kvality nebo obojí.
Já jsem jako jediný dal nejoptimálnější řešení a to ostatní tu napsané přede mnou byly samé bláboly až na tu jednu větu, co jsem uvedl.