W trakcie przepisywania rozmowy z pliku audio bardzo szybko okazuje się, że najwięcej trudności nie wynika z samego pisania, lecz z konieczności właściwego odczytania tego, co rzeczywiście zostało powiedziane. Nagranie może zawierać dłuższe przerwy, zmiany tematu, poprawianie własnych wypowiedzi lub 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, administrowanie kolejności a także zaznaczanie miejsc, których nie można jednoznacznie odczytać. Istotne jest też rozróżnienie pomiędzy 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, jednak każda ingerencja w tekst powinna mieć 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 albo kilka rozmów prowadzonych jednocześnie. Problematyczne bywają też 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 jedynie na podstawie kontekstu prowadzi do ryzyka błędu. W praktyce nie gorzej pozostawić oznaczenie niezrozumiałego fragmentu niż wpisać frazę, które wyłącznie wydaje się prawdopodobne. Przy dłuższych materiałach przydaje się również oznaczanie czasu nagrania. Pozwala 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 posiadać dodatkowe znaczenie. Transkrypcja do sądu powinna przedstawiać treść nagrania w sposób czytelny, niemniej jednak bez swobodnego interpretowania wypowiedzi uczestników. Nie powinno się poprawiać sensu zdania jedynie dlatego, że rozmówca użył błędnej formy językowej albo przerwał wypowiedź w połowie (więcej informacji na stronie:stenogram cennik). Jeżeli już na nagraniu występuje kilka osób, konieczne jest konsekwentne oznaczanie ich wypowiedzi. Jeszcze trudniejsza sytuacja pojawia się przy mówieniu jednoczesnym, ponieważ wówczas nie zawsze da się ustalić pełną tekst obu wypowiedzi. W tak zaistniałej okoliczności warto zaznaczyć nakładanie się głosów, zamiast tworzyć 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 zależności od celu dokumentu wykorzystuje się różne 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 tekst może zostać uporządkowany tak, by łatwiej było odnaleźć dokładnie określone informacje, bez zmieniania ich znaczenia. W obu przypadkach istotna pozostaje konsekwencja przy stosowaniu oznaczeń a także dokładne sprawdzanie nazwisk, dat, liczb i nazw własnych. To właśnie takie najmniejsze elementy są podatne na pomyłki, w szczególności gdy dźwięk jest niewyraźny albo rozmówca posługuje się mało znanym określeniem. Przy pracy z nagraniem warto też 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.
Warto sprawdzić: transkrypcja nagrań.