Rozmowa zarejestrowana na dyktafonie, telefonie lub kamerze prędzej czy później może stać się trudna do szybkiego przeanalizowania. Kilkudziesięciominutowy plik wymaga odsłuchiwania od początku do końca, nawet jeżeli już potrzebny jest jedynie jeden określony fragment. W takich wypadkach transkrypcja nagrań umożliwia pokazać zawartość materiału w formie tekstowej.
Nie oznacza to jednak zwyczajnego przepisywania słów bez zwracania uwagi na kontekst. Osoba wykonująca zapis musi rozpoznać poszczególnych rozmówców, zachować kolejność ich wypowiedzi i stosownie potraktować fragmenty, których nie da się wyraźnie usłyszeć. Problemem bywają szczególnie nagrania zrobione w miejscach, gdzie występuje hałas, echo lub rozmowy prowadzone są przez kilka osób naraz. W takich ustaleniach pojedyncze słowo może być skomplikowane do ustalenia, a próba uzupełnienia go na bazie domysłu może przemienić znaczenie całej wypowiedzi.
Inaczej powinno się podejść do materiału, który może posiadać znaczenie w postępowaniu formalnym. Transkrypcja do sądu wymaga zwrócenia uwagi na detale, które w powszechnym zapisie rozmowy mogłyby zostać pominięte. Znaczenie może posiadać dokładne wskazanie osoby mówiącej, kolejność zdań, przerwy w wypowiedzi czy moment, w którym dwóch uczestników zaczyna mówić równocześnie. Przy dłuższych plikach praktycznym rozwiązaniem jest też oznaczanie czasu nagrania. Dzięki temu zapis tekstowy można odnieść do konkretnego miejsca w materiale źródłowym bez konieczności szukania go metodą prób i błędów. Nie bez znaczenia pozostaje sposób zapisywania języka mówionego (sprawdź też: transkrypcja cennik). Rozmówcy na prawdę bardzo często zmieniają zdanie w połowie wypowiedzi, powtarzają te same słowa lub używają skrótów myślowych. Zbyt daleko idąca korekta może sprawić, że treść będzie brzmiał poprawniej, niemniej jednak jednocześnie przestanie starannie odzwierciedlać nagranie.
Przy bardziej rozbudowanych materiałach spotkać można określenie stenogram, odnoszące się do szczegółowego zapisu przebiegu wypowiedzi. W praktyce etap szczegółowości takiego dokumentu może zależeć od jego przeznaczenia. Czasami na prawdę istotna jest niemal każda przerwa i powtórzenie, innym razem większe znaczenie ma czytelne zilustrowanie kolejnych wypowiedzi wraz z możliwością odnalezienia ich w nagraniu. Trudność rośnie, gdy materiał obejmuje sporo godzin rozmów. Wtedy łatwo o pomyłkę przy oznaczaniu osób lub pominięcie krótkiego fragmentu podczas wielokrotnego przewijania pliku. Pomocne jest dzielenie pracy na mniejsze części i zachowanie jednego sposobu zapisu w całym dokumencie. Szczególnej uwagi wymagają wypowiedzi nakładające się na siebie. Jeżeli nie można dobitnie ustalić ich treści, bardziej prawidłowe jest zaznaczenie nieczytelnego miejsca niż wpisanie słów, które tylko pasują do kontekstu. Kontekst może pomóc w ponownym odsłuchaniu danego fragmentu, niemniej jednak nie powinien zastępować tego, co rzeczywiście znajduje się na nagraniu.
Na jakość końcowego zapisu wpływa głównie materiał źródłowy. Wyraźne nagranie z niewielką liczbą zakłóceń daje inne sposobów niż plik z cichymi głosami, szumem urządzeń albo dźwiękami dochodzącymi z otoczenia. Znaczenie ma również sposób ustawienia mikrofonu oraz odległość rozmówców od urządzenia rejestrującego. W przypadku materiałów używanych w sprawach formalnych warto zachować oryginalny plik i nie ograniczać się jedynie do jego wersji tekstowej. Nagranie pozostaje źródłem, z którym można porównać zapis w razie pojawienia się wątpliwości dotyczących konkretnego zdania. Równie ważne jest zachowanie chronologii. Przestawienie dwóch wypowiedzi lub pominięcie krótkiej wymiany zdań może zmienić sposób odbioru kolejnej rozmowy. Dlatego przygotowanie transkrypcji wymaga nie tylko sprawnego słuchania i pisania, lecz również stałej kontroli zgodności tekstu z materiałem, na bazie którego został sporządzony.
Zobacz również: transkrypcje nagrań.