Podczas przepisywania rozmowy z pliku audio szybko okazuje się, że najwięcej trudności nie wynika z samego pisania, lecz z konieczności właściwego odczytania tego, co realnie zostało powiedziane. Nagranie może zawierać dłuższe przerwy, zmiany tematu, poprawianie własnych wypowiedzi albo fragmenty wypowiadane bardzo cicho. Transkrypcja nagrań wymaga zatem jednoczesnego słuchania i zapisywania informacji w sposób uporządkowany.

Przy prostych rozmowach wystarcza zwykle rozpoznanie kolejnych wypowiedzi, jednak przy bardziej złożonym materiale dochodzi identyfikacja osób, kontrolowanie kolejności a także zaznaczanie miejsc, których nie można jednoznacznie odczytać. Ważne jest także rozróżnienie pośród zapisem dosłownym a treścią po redakcji. W pierwszym przypadku pozostawia się naturalne cechy mowy, takie jak powtórzenia czy niedokończone zdania. W drugim można ograniczyć elementy utrudniające lekturę, jednak każda ingerencja w treść powinna posiadać dany cel i nie może prowadzić do zmiany znaczenia wypowiedzi.

Duże znaczenie ma jakość samego nagrania. Plik zarejestrowany w cichym pomieszczeniu daje w całości inne sposobów niż materiał pochodzący z miejsca, w którym słychać ruch uliczny, pracujące urządzenia lub kilka rozmów prowadzonych równocześnie. Problematyczne bywają też nagrania z telefonu, gdy urządzenie znajduje się daleko od osoby mówiącej. W takich ustaleniach pojedyncze słowa mogą być skomplikowane do rozpoznania, a próba odtworzenia ich tylko na podstawie kontekstu prowadzi do ryzyka błędu. W praktyce całkiem dobrze pozostawić oznaczenie niezrozumiałego fragmentu niż wpisać słowo, które jedynie wydaje się prawdopodobne. Przy dłuższych materiałach przydaje się także oznaczanie czasu nagrania. Pozwala ono bardzo szybko wrócić do dokładnie określonej wypowiedzi i porównać zapis z oryginalnym plikiem. Ma to znaczenie zwłaszcza wtedy, gdy dokument będzie analizowany przez osoby, które nie uczestniczyły w rozmowie.

W materiałach związanych z postępowaniem prawnym sposób opracowania zapisu może mieć dodatkowe znaczenie. Transkrypcja do sądu powinna przedstawiać treść nagrania w sposób czytelny, ale bez swobodnego interpretowania wypowiedzi uczestników. Nie należy poprawiać sensu zdania tylko dlatego, że rozmówca użył błędnej formy językowej lub przerwał wypowiedź w połowie (warto sprawdzić:stenogram cennik). Jeżeli na nagraniu występuje kilka osób, konieczne jest konsekwentne oznaczanie ich wypowiedzi. Jeszcze trudniejsza sytuacja pojawia się przy mówieniu jednoczesnym, ponieważ wówczas nie za każdym razem da się ustalić pełną treść obu wypowiedzi. W takim przypadku warto zaznaczyć nakładanie się głosów, zamiast zbudować pozornie kompletny zapis. Znaczenie mogą mieć również dłuższe pauzy, śmiech, podniesiony głos czy odgłosy wskazujące na reakcję uczestników, o ile są wyraźnie słyszalne i istotne dla przebiegu rozmowy.

W współzależności od celu dokumentu wykorzystuje się różnorakie sposoby przedstawiania materiału. Stenogram może być przygotowany w formie bardzo zbliżonej do rzeczywistego przebiegu rozmowy, z zachowaniem kolejności wypowiedzi i charakterystycznych elementów mowy. Przy innych zastosowaniach treść może zostać uporządkowany tak, aby łatwiej było znaleźć dokładnie określone informacje, bez zmieniania ich znaczenia. W obu przypadkach na prawdę ważna pozostaje konsekwencja przy stosowaniu oznaczeń a także dokładne sprawdzanie nazwisk, dat, liczb i nazw własnych. To właśnie takie najmniejsze elementy są podatne na pomyłki, szczególnie gdy dźwięk jest niewyraźny albo rozmówca posługuje się niewiele znanym określeniem. Przy pracy z nagraniem warto też pamiętać, że tekst nie oddaje wszystkich cech komunikacji ustnej. Nie każdą intonację czy emocję można niedwuznacznie opisać, dlatego zapis powinien oddzielać to, co rzeczywiście wynika z nagrania, od interpretacji osoby przygotowującej dokument.

Zobacz także: transkrypcja nagrań.