يحدد هذا الجزء من المواصفة القياسية ISO/IEC 23003 برنامج ترميز الصوت والكلام الموحد القادر على ترميز إشارات تحتوي على مزيج عشوائي من محتوى الكلام والصوت. يتسم برنامج الترميز بأدائه المماثل أو المتفوق على أفضل تقنية ترميز معروفة يُحتمل تخصيصها تحديدًا لترميز محتوى الكلام أو محتوى الصوت العام. يدعم برنامج الترميز ترميزًا أحادي القناة ومتعدد القنوات عند معدلات عالية لإرسال البت ويوفر جودة واضحة إدراكيًا. في نفس الوقت، يوفر برنامج الترميز ترميزًا عالي الكفاءة عند معدلات منخفضة جدًا لإرسال البت مع الحفاظ على عرض نطاق الصوت الكامل. يتضمن هذا الجزء من المواصفة القياسية ISO/IEC 23003 تقنيات ضغط مختلفة قائمة على الإدراك مطورة في مواصفات سابقة لمجموعة خبراء الصور المتحركة (MPEG): ضجيج التجزئة المتكون إدراكيًا، الترميز المعلمي لمنطقة الطيف العلوي والترميز المعلمي لمرحلة الصوت المجسم. على الرغم من ذلك، يجمع هذا الجزء التقنيات الإدراكية الحسية المعروفة مع تقنية ترميز المصدر: نموذج لإنتاج الصوت، خاصة صوت كلام الإنسان.