Nagrania dźwiękowe i materiały wideo są dziś wykorzystywane w bardzo wielu sytuacjach, w których późniejsze odtworzenie całego materiału może być niewygodne albo czasochłonne. W takich wypadkach 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 najprostszym zadaniem. Znaczenie mają jakość dźwięku, liczba osób mówiących, sposób wypowiadania się a także obecność szumów i przerw. Przy nagraniu kilku rozmówców trzebw dodatku rozpoznać, kto zabiera głos. O ile materiał jest niewyraźny, próba odgadnięcia brakującego fragmentu może prowadzić do zmiany sensu wypowiedzi, dlatego w praktyce lepiej zaznaczyć miejsce trudne do ustalenia niż uzupełniać tekst na bazie przypuszczeń.
Innego podejścia wymaga dokument przeznaczony do wykorzystania w postępowaniu. Transkrypcja do sądu powinna głównie możliwie gruntownie odzwierciedlać tekst źródłowego nagrania, ponieważ wręcz na pozór drobne różnice mogą mieć znaczenie przy ocenie materiału (warto sprawdzić: transkrypcja do sądu cennik). Istotne mogą być nie tylko i wyłącznie same słowa, lecz także kolejność wypowiedzi, przerwania, powtórzenia czy momenty, w których uczestnicy mówią równocześnie. W współzależności od celu dokumentu używa się różny poziom szczegółowości. Czasami niezbędny jest zapis wypowiedzi wraz z oznaczeniami czasu, a innym razem tekst uporządkowany w taki sposób, by łatwiej było znaleźć dany fragment nagrania. Nie trzeba ponadto poprawiać wypowiedzi tylko po to, aby brzmiała bardziej literacko. Język mówiony często zawiera niedokończone zdania, powtórzenia i potoczne określenia, które mogą zostać utracone w trakcie 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 znacząca staje się konsekwencja w oznaczaniu rozmówców oraz zachowanie jednolitego sposobu zapisu przez cały dokument. Problem pojawia się w szczególności wówczas, 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 skomplikowanych fragmentów z wcześniejszym i późniejszym kontekstem, a nierzadko też wielokrotne odsłuchiwanie tego samego miejsca. Nie znaczy to natomiast, że niejasny fragment trzeba samodzielnie interpretować. Zadaniem osoby sporządzającej zapis jest możliwie wierne przedstawienie 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 przeznaczonych do celów formalnych warto zachować oryginalny plik, ponieważ treść jest zapisem pochodnym i w razie potrzeby powinien dać się odnieść do źródła. Pomocne bywają oznaczenia czasu, dzięki którym konkretną wypowiedź można szybko porównać z właściwym miejscem nagrania. Znaczenie ma także forma dokumentu: zbyt duża ingerencja redakcyjna może oddalić zapis od rzeczywistego przebiegu rozmowy, jednak całkowity brak uporządkowania utrudnia korzystanie z tekstu. Dlatego przy transkrypcji trzeba za każdym razem uwzględnić rodzaj materiału, jego wykorzystanie oraz ograniczenia wynikające z jakości źródła.
Zobacz: stenogram.