当前的环绕声基本上都是二维的，只有宽度和纵深度。3D音频增加了高度这个维度。以前的做法是增加音箱和声道，即基于多声道的架构，而3DAA采用的是独特的、基于目标物体本身在三维空间的位置的音频技术。基于物体的音频由动态置于三维空间内的各个声源组成。

　　3D音频在音箱配置标准化的影院播放环境是可行且不错的。不过，消费者播放在所用的音箱数量和这些音箱放置两方面都很不一致，而现在向3D音频转换，只有使此多样性增加。为了令各种消费播放系统上3D音频有最佳的效果，以适应性更强的形式传送此声音非常重要。这种形式就是基于目标物体的音频。

　　基于物体的音频和基于音箱的3D混音有异同。用户接口看上去是一样的，而监听音箱也是一样的声音。不同点在于音频的获取方式。前者并非记录音箱信号，系统记录的是一个3D空间内各个物体的音频。对于监听，此音频被单独映射到播放场地内使用的实际音箱配置。对于数字影院，生成器可设为一种标准的音箱配置，而输出信号以多声道PCM的形式用通常方式传送。

　　播放生成器知道混录或聆听空间内每个音箱的存在和位置，并把该音频映射到音箱以达到最佳的3D体验。对于某一配音阶段，基于物体的音频并不提供超越传统混录系统的额外效能或声音优点。真正的价值出现于这些混音在交替的音箱配置上播放的时候。基于音箱的混音完全不能通过重新配置像基于物体的音频一样有效在不同的音箱布置上播放。无论是生成器采用简单的成对声像移位，还是采用更先进复杂的空间成像技术，结果都是以与原始艺术目标更一致的方式表现3D混音。

　　由于基于物体的音频是一种新传送格式，3DAA码流内具有某种提供后向兼容性的方式。它为3DAA编码器的一种选件，建立一个对传统的5.1传送系统后向兼容的内核。
3DAA成果（规范、实现工具和试验素材）支持线性、基于物体的音频内容可互操作地在各种传送机制上传输到从家庭影院到大规模场地的各种聆听环境。这种线性内容有单一的时间线和混音—它们并不随播放事件而变化。音频目标由置于三维空间的各个声源组成。

　　不过，3DAA工作范围并不包括：

　　·非线性音频，即根据播放条件有多个可能的时间线和混音的音频（但3DAA可被交互应用用于线性内容播放）；
　　·3D音频创建过程，或限定3D音频被生成的过程，除了定义一种参考生成器以外。

　　高级架构

　　如图1所示，3DAA高级架构由三个基本方面组成。

　　传输

　　3DAA架构的核心是3D音频流，它被封装于一个码流内—完整的线性3D音频解码所需的音频实体和元数据信息。此3D音频流支持实况和预录的内容、广播和单播分发，以及流式和下载应用。

　　3D音频流由位于三维空间内的音频目标组成。这些音频目标不必与音箱位置重合，也许与像发散等的特性相关。这些音频目标被相对于混录位置（假定位于单位半圆的中心，参加图2）放置。音频目标可位于此单位半圆内外。参考生成器（或适当的替换物）将这些音频目标转换为位于单位半圆上的监听音箱，如图3所示。

　　至于后向兼容，3D音频流可以包含一个核心的兼容码流，它是一个5.1音箱信号整个声场的缩混。这使与(1)大众的5.1音箱配置和(2)现有的传输设施和播放设备相兼容很容易，可忽视音频目标。基于此缩混处理的知识，能够3D播放的设备从此核心码流减去音频目标，并生成针对可用音箱配置而优化的完整节目。此扩展码流内的每个音频目标可根据其相对重要性进一步分类，主要的头顶效果声可比在环绕声音箱之中移动的声音有较高的等级。随着传输码率变得紧张，较不重要的目标可从此传送流除去，但通过核心兼容码流依然可完全听到。丢失的既非声音亦非声音保真度（响应、失真），而是空间轮廓。在最坏的情况下，整个音频目标扩展丢失，而整个节目就与其它传统的5.1节目一样。

　　3D音频流可映射到各种传输流（MPEG-2 TS）、视频格式（MP4、ASF）以及硬件接口（HDMI）。

　　播放

　　3D音频流最后被转换为听众享受的一个声场。此播放过程在概念上被分成两步。一个分析程序首先根据一种3DAA独特规定的缓冲和定时模型从3D音频流提取目标。生成器然后把提取的目标转换为声场。

　　3DAA并不限定生成过程或环境，但定义一种参考生成器。考虑到目标音箱配置，此参考生成器以一种比特精确的方式规定音频目标针对目标配置内每个音箱的生成过程。图3表示这样一种音箱配置。此过程取决于目标的特性和目标相对于每个音箱的位置。

　　参考生成器的定义使测试容易，并确保3D音频流有清晰的解译。

　　创作

　　虽然3DAA定义3D音频流及相应的生成器，但它不规定其创建的过程。这令各种情况都有可能，包括以下的例子。
　　·例子1：3D音频流在原始内容于录音棚创作期间创建。创作工具包括控制面和PC托管的软件。
　　·例子2：3D音频流在播放期间通过提取来自立体图像内容的3D提示，由传统内容动态生成（合成）。

　　在所有情况下，尽管创建过程本身不在3DAA工作范围内，但创建过程的输出为有效的3D音频流。