Nagrania dźwiękowe i materiały wideo są dziś wykorzystywane w bardzo wielu przypadkach, w których późniejsze odtworzenie całego materiału może być niewygodne albo 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 natomiast najprostszym zadaniem. 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 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 podstawie przypuszczeń.
Innego podejścia wymaga dokument przeznaczony do zastosowania w postępowaniu. Transkrypcja do sądu powinna przede wszystkim możliwie z dużą dokładnością odzwierciedlać tekst źródłowego nagrania, ponieważ nawet pozornie drobne różnice mogą mieć znaczenie przy ocenie materiału (warto także zobaczyć: transkrypcje cennik). Istotne mogą być nie tylko same słowa, lecz też kolejność wypowiedzi, przerwania, powtórzenia czy momenty, w których uczestnicy mówią równocześnie. W zależności od celu dokumentu używa się różny poziom szczegółowości. W pewnych przypadkach niezbędny jest zapis wypowiedzi wraz z oznaczeniami czasu, a innym razem treść uporządkowany w taki sposób, aby łatwiej było odnaleźć dany fragment nagrania. Nie trzeba a dodatkowo poprawiać wypowiedzi jedynie po to, by brzmiała bardziej literacko. Język mówiony na prawdę 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 lub 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 wtedy, gdy kilka osób wypowiada się jednocześnie, ktoś mówi bardzo cicho lub nagranie zawiera fragmenty o słabej jakości. Wtedy nie wystarczy mechaniczne rozpoznawanie mowy. Konieczne jest porównywanie skomplikowanych fragmentów z wcześniejszym i późniejszym kontekstem, a zdarza się, że także wielokrotne odsłuchiwanie tego samego miejsca. Nie znaczy to jednakże, że niejasny fragment powinno się samodzielnie interpretować. Misją osoby sporządzającej zapis jest możliwie wierne zaprezentowanie materiału, a nie zmienianie jego treści.
Na dokładność zapisu wpływa także sposób przygotowania samego nagrania. Wyraźny dźwięk, niewielka liczba zakłóceń i możliwie czytelny podział głosów ułatwiają późniejszą pracę. Przy materiałach wykorzystanych 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 odpowiednim miejscem nagrania. Znaczenie ma także forma dokumentu: zbyt duża ingerencja redakcyjna może oddalić zapis od rzeczywistego przebiegu rozmowy, jednakże całkowity brak uporządkowania utrudnia używanie z tekstu. Dlatego przy transkrypcji trzeba każdorazowo uwzględnić rodzaj materiału, jego przeznaczenie a także ograniczenia wynikające z jakości źródła.
Zobacz: transkrypcje nagrań.