Nagrania dźwiękowe i materiały wideo są dziś wykorzystywane w większości przypadków, w których późniejsze odtworzenie całego materiału może być niewygodne lub czasochłonne. W takich sytuacjach znaczenie ma wierne przeniesienie wypowiedzi do postaci tekstowej. Transkrypcja nagrań może obejmować rozmowy, wywiady, posiedzenia, spotkania, wykłady czy materiały zarejestrowane w trakcie pracy.

Samo przepisanie słów nie za każdym razem jest jednak prostym celem. Znaczenie mają jakość dźwięku, liczba osób mówiących, sposób wypowiadania się oraz obecność szumów i przerw. Przy nagraniu kilku rozmówców trzebdodatkowo rozpoznać, kto zabiera głos. Jeżeli już materiał jest niewyraźny, próba odgadnięcia brakującego fragmentu może prowadzić do zmiany sensu wypowiedzi, dlatego w praktyce lepiej zaznaczyć miejsce skomplikowane do ustalenia niż uzupełniać tekst na podstawie przypuszczeń.

Innego podejścia wymaga dokument przeznaczony do zastosowania w postępowaniu. Transkrypcja do sądu powinna głównie możliwie wnikliwie odzwierciedlać treść źródłowego nagrania, ponieważ wręcz pozornie drobne różnice mogą mieć znaczenie przy ocenie materiału (zobacz także: transkrypcje cennik). Ważne mogą być nie tylko i wyłącznie same słowa, lecz również kolejność wypowiedzi, przerwania, powtórzenia czy momenty, w których uczestnicy mówią jednocześnie. W współzależności od celu dokumentu stosuje się różny poziom szczegółowości. W pewnych sytuacjach potrzebny jest zapis wypowiedzi wraz z oznaczeniami czasu, a innym razem tekst uporządkowany w taki sposób, by łatwiej było znaleźć określony fragment nagrania. Nie należy w dodatku poprawiać wypowiedzi tylko po to, by brzmiała bardziej literacko. Język mówiony na prawdę często zawiera niedokończone zdania, powtórzenia i potoczne określenia, które mogą zostać utracone podczas nadmiernej redakcji.

W przypadku dłuższych materiałów 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 na prawdę ważna staje się konsekwencja w oznaczaniu rozmówców oraz zachowanie jednolitego sposobu zapisu przez cały dokument. Problem pojawia się szczególnie wtedy, gdy kilka osób wypowiada się równocześnie, ktoś mówi bardzo cicho lub nagranie zawiera fragmenty o słabej jakości. Wówczas nie wystarczy mechaniczne rozpoznawanie mowy. Niezbędne jest porównywanie niełatwych fragmentów z wcześniejszym i późniejszym kontekstem, a czasem także wielokrotne odsłuchiwanie tego samego miejsca. Nie znaczy to jednakże, że niejasny fragment trzeba własną pracą interpretować. Zadaniem osoby sporządzającej zapis jest możliwie wierne przedstawienie materiału, a nie zmienianie jego treści.

Na dokładność zapisu wpływa też 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 tekst jest zapisem pochodnym i w razie konieczności powinien dać się odnieść do źródła. Pomocne bywają oznaczenia czasu, dzięki którym konkretną wypowiedź można bardzo szybko porównać z najlepszym miejscem nagrania. Znaczenie ma też forma dokumentu: zbyt duża ingerencja redakcyjna może oddalić zapis od rzeczywistego przebiegu rozmowy, natomiast całkowity brak uporządkowania utrudnia używanie z tekstu. Dlatego przy transkrypcji trzeba każdorazowo uwzględnić rodzaj materiału, jego wykorzystanie oraz ograniczenia wynikające z jakości źródła.

Więcej informacji: transkrypcja nagrań.