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 faktycznie 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 niedwuznacznie odczytać. Ważne jest też rozróżnienie w gronie 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 tekst powinna mieć określony cel i nie może prowadzić do zmiany znaczenia wypowiedzi.

Duże znaczenie ma jakość samego nagrania. Plik zarejestrowany w cichym pomieszczeniu daje całkiem 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 skomplikowane do rozpoznania, a próba odtworzenia ich wyłącznie na podstawie kontekstu prowadzi do ryzyka błędu. W praktyce nie gorzej pozostawić oznaczenie niezrozumiałego fragmentu niż wpisać frazę, które tylko 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 w szczególności wtedy, 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 tekst nagrania w sposób czytelny, niemniej jednak bez swobodnego interpretowania wypowiedzi uczestników. Nie należy poprawiać sensu zdania jedynie dlatego, że rozmówca użył błędnej formy językowej albo przerwał wypowiedź w połowie (zobacz także:stenogram cennik). Jeśli na nagraniu występuje kilka osób, niezbędne 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 takiej sytuacji warto podkreślić nakładanie się głosów, zamiast tworzyć na pozór kompletny zapis. Znaczenie mogą mieć również dłuższe pauzy, śmiech, podniesiony głos czy odgłosy wskazujące na reakcję uczestników, jeżeli już są wyraźnie słyszalne i istotne dla przebiegu rozmowy.

W zależności 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 tekst może zostać uporządkowany tak, ażeby łatwiej było znaleźć dokładnie sprecyzowane informacje, bez zmieniania ich znaczenia. W obu przypadkach ważna pozostaje konsekwencja przy stosowaniu oznaczeń a także dokładne sprawdzanie nazwisk, dat, liczb i nazw własnych. To właśnie takie szczegóły są podatne na pomyłki, zwłaszcza gdy dźwięk jest niewyraźny albo rozmówca posługuje się mało 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 naprawdę wynika z nagrania, od interpretacji osoby przygotowującej dokument.

Sprawdź: transkrypcja nagrań.