W trakcie 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 więc jednoczesnego słuchania i zapisywania informacji w sposób uporządkowany.

Przy prostych rozmowach wystarcza zwykle rozpoznanie kolejnych wypowiedzi, jednakże przy bardziej złożonym materiale dochodzi identyfikacja osób, administrowanie kolejności a także zaznaczanie miejsc, których nie można dobitnie odczytać. Ważne jest też rozróżnienie pośród zapisem dosłownym a tekstem po redakcji. W pierwszym przypadku pozostawia się naturalne cechy mowy, tj. powtórzenia czy niedokończone zdania. W drugim można ograniczyć elementy utrudniające lekturę, jednakże każda ingerencja w tekst powinna posiadać konkretny cel i nie może prowadzić do zmiany znaczenia wypowiedzi.

Duże znaczenie ma jakość samego nagrania. Plik zarejestrowany w cichym pomieszczeniu daje całkiem inne sposobności niż materiał pochodzący z miejsca, w którym słychać ruch uliczny, pracujące urządzenia lub kilka rozmów prowadzonych równocześnie. Problematyczne bywają również nagrania z telefonu, gdy urządzenie znajduje się daleko od osoby mówiącej. W takich ustaleniach pojedyncze słowa mogą być trudne do rozpoznania, a próba odtworzenia ich wyłącznie na bazie kontekstu prowadzi do ryzyka błędu. W praktyce całkiem dobrze pozostawić oznaczenie niezrozumiałego fragmentu niż wpisać frazę, które jedynie może się wydawać prawdopodobne. Przy dłuższych materiałach przydaje się również oznaczanie czasu nagrania. Daje możliwość ono bardzo szybko wrócić do konkretnej wypowiedzi i porównać zapis z oryginalnym plikiem. Ma to znaczenie zwłaszcza wówczas, 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 tekst nagrania w sposób czytelny, ale bez swobodnego interpretowania wypowiedzi uczestników. Nie powinno się poprawiać sensu zdania jedynie dlatego, że rozmówca użył błędnej formy językowej lub przerwał wypowiedź w połowie (źródło informacji:transkrypcja cennik). Jeżeli już na nagraniu występuje kilka osób, niezbędne jest konsekwentne oznaczanie ich wypowiedzi. Jeszcze trudniejsza sytuacja pojawia się przy mówieniu jednoczesnym, ponieważ wtedy nie zawsze da się ustalić pełną tekst obu wypowiedzi. W tak zaistniałej okoliczności warto podkreślić nakładanie się głosów, zamiast zbudować z pozoru kompletny zapis. Znaczenie mogą mieć również dłuższe pauzy, śmiech, podniesiony głos czy odgłosy wskazujące na reakcję uczestników, jeżeli są wyraźnie słyszalne i ważne dla przebiegu rozmowy.

W zależności od celu dokumentu wykorzystuje się różnorodne 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, ażeby łatwiej było znaleźć dokładnie określone informacje, bez zmieniania ich znaczenia. W obu przypadkach bardzo 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 również pamiętać, że treść nie oddaje wszystkich cech komunikacji ustnej. Nie każdą intonację czy emocję można niedwuznacznie opisać, dlatego zapis powinien oddzielać to, co realnie wynika z nagrania, od interpretacji osoby przygotowującej dokument.

Zobacz także: transkrypcja do sądu.