Nagrania dźwiękowe i materiały wideo są dziś wykorzystywane w ogromnej liczbie przypadków, w których późniejsze odtworzenie całego materiału może być niewygodne lub czasochłonne. W takich okolicznościach znaczenie ma wierne przeniesienie wypowiedzi do postaci tekstowej. Transkrypcja nagrań może obejmować rozmowy, wywiady, posiedzenia, spotkania, wykłady czy materiały zarejestrowane podczas pracy.
Samo przepisanie słów nie zawsze jest jednak najprostszym zadaniem. Znaczenie mają jakość dźwięku, liczba osób mówiących, sposób wypowiadania się oraz obecność szumów i przerw. Przy nagraniu kilku rozmówców trzebprzy tym rozpoznać, kto zabiera głos. Jeżeli materiał jest niewyraźny, próba odgadnięcia brakującego fragmentu może prowadzić do zmiany sensu wypowiedzi, dlatego w praktyce dużo lepiej zaznaczyć miejsce skomplikowane do ustalenia niż uzupełniać treść na podstawie przypuszczeń.
Innego podejścia wymaga dokument przeznaczony do użycia w postępowaniu. Transkrypcja do sądu powinna przede wszystkim możliwie z dużą dokładnością odzwierciedlać treść źródłowego nagrania, ponieważ dosłownie pozornie drobne różnice mogą posiadać znaczenie przy ocenie materiału (sprawdź również: transkrypcja do sądu cennik). Istotne mogą być nie tylko i wyłącznie same słowa, lecz też kolejność wypowiedzi, przerwania, powtórzenia czy momenty, w których uczestnicy mówią równocześnie. W zależności od celu dokumentu wykorzystuje się różny poziom szczegółowości. Czasami potrzebny jest zapis wypowiedzi wraz z oznaczeniami czasu, a innym razem tekst uporządkowany w taki sposób, ażeby łatwiej było wyszukać dany fragment nagrania. Nie powinno się prócz tego poprawiać wypowiedzi jedynie po to, ażeby brzmiała bardziej literacko. Język mówiony często zawiera niedokończone zdania, powtórzenia i potoczne określenia, które mogą zostać utracone w trakcie nadmiernej redakcji.
W sytuacji dłuższych materiałów na prawdę często pojawia się pojęcie stenogram, choć w praktyce zakres tego określenia bywa różnie rozumiany. Stenogram może być szczegółowym zapisem przebiegu rozmowy albo wydarzenia, z uwzględnieniem kolejności wypowiedzi poszczególnych osób. Przy pracy z takim materiałem znacząca staje się konsekwencja w oznaczaniu rozmówców oraz zachowanie jednolitego sposobu zapisu przez cały dokument. Problem pojawia się szczególnie wtedy, gdy kilka osób wypowiada się jednocześnie, ktoś mówi bardzo cicho albo nagranie zawiera fragmenty o słabej jakości. Wówczas nie wystarczy mechaniczne rozpoznawanie mowy. Niezbędne jest porównywanie skomplikowanych fragmentów z wcześniejszym i późniejszym kontekstem, a w pewnych sytuacjach także wielokrotne odsłuchiwanie tego samego miejsca. Nie oznacza to jednak, że niejasny fragment trzeba poświęcając własny czas interpretować. Celem osoby sporządzającej zapis jest możliwie wierne zilustrowanie materiału, a nie zmienianie jego treści.
Na dokładność zapisu wpływa również sposób przygotowania samego nagrania. Wyraźny dźwięk, niewielka liczba zakłóceń i możliwie czytelny podział głosów ułatwiają późniejszą pracę. Przy materiałach użytych do celów formalnych warto zachować oryginalny plik, ponieważ treść jest zapisem pochodnym i w razie konieczności powinien dać się odnieść do źródła. Pomocne bywają oznaczenia czasu, dzięki którym konkretną wypowiedź można szybko porównać z odpowiednim miejscem nagrania. Znaczenie ma też forma dokumentu: zbyt duża ingerencja redakcyjna może oddalić zapis od rzeczywistego przebiegu rozmowy, natomiast całkowity brak uporządkowania utrudnia wykorzystywanie z tekstu. Dlatego przy transkrypcji powinno się za każdym razem uwzględnić rodzaj materiału, jego wykorzystanie a także ograniczenia wynikające z jakości źródła.
Zobacz więcej: stenogram.