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 de facto 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 łatwych rozmowach wystarcza zwykle rozpoznanie kolejnych wypowiedzi, jednakże przy bardziej złożonym materiale dochodzi identyfikacja osób, zarządzanie kolejności a także zaznaczanie miejsc, których nie można niedwuznacznie odczytać. Istotne jest też rozróżnienie pomiędzy 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 mieć określony cel i nie może prowadzić do zmiany znaczenia wypowiedzi.
Duże znaczenie ma jakość samego nagrania. Plik zarejestrowany w cichym pomieszczeniu daje w całości inne możliwości niż materiał pochodzący z miejsca, w którym słychać ruch uliczny, pracujące urządzenia albo kilka rozmów prowadzonych równocześnie. Problematyczne bywają również nagrania z telefonu, gdy urządzenie znajduje się daleko od osoby mówiącej. W takich warunkach pojedyncze słowa mogą być skomplikowane do rozpoznania, a próba odtworzenia ich wyłącznie na bazie 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 też oznaczanie czasu nagrania. Umożliwia ono szybko wrócić do dokładnie sprecyzowanej wypowiedzi i porównać zapis z oryginalnym plikiem. Ma to znaczenie szczególnie 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 tekst nagrania w sposób czytelny, niemniej jednak bez swobodnego interpretowania wypowiedzi uczestników. Nie trzeba poprawiać sensu zdania wyłącznie dlatego, że rozmówca użył błędnej formy językowej albo przerwał wypowiedź w połowie (zobacz więcej:transkrypcja cennik). O ile na nagraniu występuje kilka osób, niezbędne jest konsekwentne oznaczanie ich wypowiedzi. Jeszcze trudniejsza sytuacja pojawia się przy mówieniu jednoczesnym, ponieważ wtedy nie za każdym razem da się ustalić pełną tekst obu wypowiedzi. W takiej okoliczności warto zaznaczyć nakładanie się głosów, zamiast zbudować z pozoru kompletny zapis. Znaczenie mogą posiadać też 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 używa 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 znaleźć konkretne informacje, bez zmieniania ich znaczenia. W obu przypadkach znacząca pozostaje konsekwencja przy stosowaniu oznaczeń oraz dokładne sprawdzanie nazwisk, dat, liczb i nazw własnych. To właśnie takie detale są podatne na pomyłki, w szczególności gdy dźwięk jest niewyraźny lub rozmówca posługuje się niewiele znanym określeniem. Przy pracy z nagraniem warto również pamiętać, że tekst nie oddaje wszystkich cech komunikacji ustnej. Nie każdą intonację czy emocję można jednoznacznie opisać, dlatego zapis powinien oddzielać to, co de fakto wynika z nagrania, od interpretacji osoby przygotowującej dokument.
Źródło informacji: transkrypcja do sądu.