Dependiendo de si el programa es pregrabado o en vivo, existen algunas diferencias:

-Pregrabados: Esta aplicación combina precisión y creatividad. Primero se trascribe el audio. Luego, con ayuda de programas de caption se sincroniza el audio con el texto y se ubica el texto para facilitar la identificación de los personajes del programa y para no cubrir alguna parte esencial de la imagen. Adicionalmente se insertan descripciones de sonidos que no necesariamente son palabras dichas por los personajes, como por ejemplo disparos, aviones, gente aplaudiendo, etcétera. Finalmente se hace una copia del programa a la que se le inserta el texto y sus características, utilizando para ello un codificador de caption o programas de edición de video especializados.

-Programas en vivo: Requiere de una tecnología adecuada para la transferencia del audio a texto. Este proceso puede llevarse a cabo usando un software de reconocimiento de voz, o con el uso de un estenógrafo. Este sistema requiere de un operador especializado y su limitación principal para uso en español es escasez de tecnología específica para el idioma y pocos operadores expertos.

La precisión lograda usando estenografía es de un 99%, mientras que el reconocimiento de voz logra precisiones del 95%. Este método tiene la ventaja de no depender del operador experto y la puesta en funcionamiento es de un tiempo no mayor que un mes.

El texto generado se envía a través de un codificador de captions que se encarga de adicionarlo al video del programa.

En la televisión análoga NTSC, que es el formato de televisión utilizado en Estados Unidos y muchos otros países durante muchos años y hasta junio de 2009, el caption hace parte de la señal de video (Línea 21). En la televisión digital DTV, que es el formato único de televisión en Estados Unidos a partir de junio de 2009,  el  caption es parte de toda la información enviada y no únicamente del video.