语音服务接受并提供多种格式的音频，音频区域是一个复杂的主题，但一些背景信息可能会有所帮助。
语音本质上是模拟的，它通过采样将其转换为数字信号来近似。 每秒采样语音的次数为采样率，每个样本的准确程度则由位深度定义。
每秒音频样本的数量。 更高的采样率将更准确地重现更高的频率，如音乐。 人类通常可以听到 20 Hz 到 20 kHz 之间的声音，但对 5 kHz 的频率最为敏感。 采样率需要是最高频率的两倍，因此对于人类语音来说，16 kHz 采样率通常是足够的，但更高的采样率可以提供更高的质量，尽管文件会更大。 语音转文本和文本转语音的默认值为 16 kHz，但对于有声读物，建议使用 48 kHz。 一些源音频（尤其是来自旧式电信系统的音频）的频率为 8 kHz，这将导致质量下降。
每个未压缩的音频样本由定义其准确度或分辨率的位数表示。 对于人类语音，需要 13 位，并向上舍入为 16 位样本。 专业音频或音乐则需要更高的位深度。 传统电话系统通常使用 8 位压缩，但它并不理想。
语音服务通常需要并提供单声道流。 立体声和多声道文件的行为特定于 API，例如语音转文本 REST API 将拆分立体声文件并为每个通道生成结果。 文本转语音仅是单声道的。
要使语音服务能够使用音频，需要知道其编码方式。 此外，由于音频文件可能相对较大，因此通常使用压缩来减小其大小。 音频文件和流可以按容器格式和音频编解码器进行描述。 常见的容器是 WAV 或 MP4，常见的音频格式则是 PCM 或 MP3。 通常无法假设容器使用特定的音频格式，例如 WAV 文件通常包含 PCM 数据，但其他音频格式也是可能的。
语音服务在内部处理未压缩的音频，该音频使用脉冲代码调制（或 PCM）进行编码。 这意味着每个样本都表示信号的振幅。 这是一个简单的处理表示形式，但空间效率低，因此压缩通常用于传输音频。
有损算法可能会实现更大的压缩，从而生成较小的文件或较低的带宽，这对于移动连接或繁忙网络非常重要。 常见的音频格式是 MP3，这是一个有损压缩的示例。 MP3 文件明显小于原始文件，可能听起来与原始文件几乎相同，但无法重新创建确切的源文件。 有损压缩的工作原理是移除部分音频或近似它。 使用有损算法进行编码时，需要权衡带宽以实现准确度。
MP3 专为音乐而不是语音而设计。
AMR 和 AMR-WB 专为有效压缩手机语音而设计，在表现音乐或噪音方面效果不佳。
A-Law 和 Mu-Law 是一种较早的算法，可自行压缩每个样本，并使用对数量化技术将 16 位样本转换为 8 位。 它只应用于支持传统系统。
使用无损压缩可以重新创建原始未压缩的文件。 压缩文件通常比原始文件小得多，而没有任何损失，但实际压缩取决于输入。 它通过使用多种方法从文件中移除冗余来实现压缩。
最常见的无损压缩是 FLAC。