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 de fakto 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, natomiast przy bardziej złożonym materiale dochodzi identyfikacja osób, kontrolowanie kolejności oraz zaznaczanie miejsc, których nie można dobitnie odczytać. Istotne jest także 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, jednakże 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 całkiem inne sposobności niż materiał pochodzący z miejsca, w którym słychać ruch uliczny, pracujące urządzenia lub kilka rozmów prowadzonych jednocześnie. Problematyczne bywają również 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 bazie kontekstu prowadzi do ryzyka błędu. W praktyce lepiej pozostawić oznaczenie niezrozumiałego fragmentu niż wpisać słowo, które jedynie może się wydawać prawdopodobne. Przy dłuższych materiałach przydaje się także oznaczanie czasu nagrania. Daje możliwość ono bardzo szybko wrócić do konkretnej 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 posiadać 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 albo przerwał wypowiedź w połowie (sprawdź też:stenogram cennik). Jeśli na nagraniu występuje kilka osób, konieczne 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 takiej okoliczności warto zaznaczyć nakładanie się głosów, zamiast zbudować z pozoru kompletny zapis. Znaczenie mogą mieć także dłuższe pauzy, śmiech, podniesiony głos czy odgłosy wskazujące na reakcję uczestników, jeżeli już są wyraźnie słyszalne i ważne dla przebiegu rozmowy.
W współzależności od celu dokumentu stosuje 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 sprecyzowane informacje, bez zmieniania ich znaczenia. W obu przypadkach bardzo ważna 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 mało znanym określeniem. Przy pracy z nagraniem warto także pamiętać, że treść nie oddaje wszystkich cech komunikacji ustnej. Nie każdą intonację czy emocję można dobitnie opisać, dlatego zapis powinien oddzielać to, co de fakto wynika z nagrania, od interpretacji osoby przygotowującej dokument.
Źródło: stenogram.