Podczas 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 lub fragmenty wypowiadane bardzo cicho. Transkrypcja nagrań wymaga więc jednoczesnego słuchania i zapisywania informacji w sposób uporządkowany.
Przy łatwych rozmowach wystarcza zwykle rozpoznanie kolejnych wypowiedzi, jednak przy bardziej złożonym materiale dochodzi identyfikacja osób, kontrolowanie kolejności oraz zaznaczanie miejsc, których nie można niedwuznacznie odczytać. Istotne jest także rozróżnienie pomiędzy zapisem dosłownym a treścią 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 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 całkiem inne możliwości niż materiał pochodzący z miejsca, w którym słychać ruch uliczny, pracujące urządzenia albo kilka rozmów prowadzonych równocześnie. Problematyczne bywają także 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 jedynie na podstawie kontekstu prowadzi do ryzyka błędu. W praktyce całkiem dobrze pozostawić oznaczenie niezrozumiałego fragmentu niż wpisać słowo, które tylko może się wydawać prawdopodobne. Przy dłuższych materiałach przydaje się również oznaczanie czasu nagrania. Umożliwia ono szybko wrócić do dokładnie określonej wypowiedzi i porównać zapis z oryginalnym plikiem. Ma to znaczenie szczególnie wówczas, 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, ale bez swobodnego interpretowania wypowiedzi uczestników. Nie trzeba poprawiać sensu zdania wyłącznie dlatego, że rozmówca użył błędnej formy językowej lub przerwał wypowiedź w połowie (zobacz także:transkrypcja 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 za każdym razem da się ustalić pełną treść obu wypowiedzi. W takiej okoliczności warto podkreślić nakładanie się głosów, zamiast zbudować na pozór kompletny zapis. Znaczenie mogą posiadać także dłuższe pauzy, śmiech, podniesiony głos czy odgłosy wskazujące na reakcję uczestników, jeżeli są wyraźnie słyszalne i ważne dla przebiegu rozmowy.
W współzależności 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 treść może zostać uporządkowany tak, ażeby łatwiej było odnaleźć 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, szczególnie gdy dźwięk jest niewyraźny albo rozmówca posługuje się niewiele znanym określeniem. Przy pracy z nagraniem warto też pamiętać, że treść nie oddaje wszystkich cech komunikacji ustnej. Nie każdą intonację czy emocję można jednoznacznie opisać, dlatego zapis powinien oddzielać to, co rzeczywiście wynika z nagrania, od interpretacji osoby przygotowującej dokument.
Źródło informacji: stenogram.