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 rzeczywiście 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. Ważne jest również rozróżnienie wśród zapisem dosłownym a tekstem po redakcji. W pierwszym przypadku pozostawia się naturalne cechy mowy, tj. powtórzenia czy niedokończone zdania. W drugim można ograniczyć elementy utrudniające lekturę, natomiast 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 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 warunkach pojedyncze słowa mogą być trudne do rozpoznania, a próba odtworzenia ich jedynie na podstawie kontekstu prowadzi do ryzyka błędu. W praktyce lepiej pozostawić oznaczenie niezrozumiałego fragmentu niż wpisać frazę, które tylko może się wydawać prawdopodobne. Przy dłuższych materiałach przydaje się też oznaczanie czasu nagrania. Pozwala ono bardzo szybko wrócić do dokładnie określonej wypowiedzi i porównać zapis z oryginalnym plikiem. Ma to znaczenie w szczególności 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 treść nagrania w sposób czytelny, ale bez swobodnego interpretowania wypowiedzi uczestników. Nie należy poprawiać sensu zdania tylko dlatego, że rozmówca użył błędnej formy językowej albo przerwał wypowiedź w połowie (zobacz również:stenogram cennik). Jeżeli już na nagraniu występuje kilka osób, konieczne jest konsekwentne oznaczanie ich wypowiedzi. Jeszcze trudniejsza sytuacja pojawia się przy mówieniu jednoczesnym, ponieważ wtedy nie za każdym razem da się ustalić pełną treść obu wypowiedzi. W takim wypadku warto zaznaczyć nakładanie się głosów, zamiast zbudować pozornie kompletny zapis. Znaczenie mogą posiadać także dłuższe pauzy, śmiech, podniesiony głos czy odgłosy wskazujące na reakcję uczestników, jeśli są wyraźnie słyszalne i istotne dla przebiegu rozmowy.
W zależności 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 treść może zostać uporządkowany tak, ażeby łatwiej było znaleźć dokładnie określone informacje, bez zmieniania ich znaczenia. W obu przypadkach na prawdę ważna pozostaje konsekwencja przy stosowaniu oznaczeń oraz dokładne sprawdzanie nazwisk, dat, liczb i nazw własnych. To właśnie takie najmniejsze elementy są podatne na pomyłki, zwłaszcza gdy dźwięk jest niewyraźny lub rozmówca posługuje się niewiele znanym określeniem. Przy pracy z nagraniem warto także 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.
Zobacz również: stenogram.