W standardzie MPEG-2 przewidziano trzy warianty kodowania sygnału fonii, nazywane warstwami (Layer l, 2, 3). Warstwy są hierarchicznie zorganizowane, różnią się jakością transmitowanego sygnału fonii. Metody kompresji dla wszystkich warstw wykorzystują podział sygnału akustycznego na 32 podpasma za pomocą odpowiedniego banku filtrów. Sygnał w każdym z podpasm jest analizowany, na podstawie właściwości ucha ludzkiego wybiera się te składowe, które są maskowane przez inne składowe - jeśli dwa dźwięki mają zbliżone częstotliwości i jeden z nich ma znacznie większą energię od drugiego to ucho nie jest w stanie wykryć obecności słabszego dźwięku. Zależnie od różnicy częstotliwości i energii takich dźwięków słabszy z nich może być albo całkowicie usunięty lub zakodowany bardzo niedokładnie, a subiektywna ocena całego sygnału akustycznego nie zmieni się. W kolejnym etapie przetwarzania poszczególnym podpasmom przydziela się odpowiednią ilość bitów, tak aby z jednej strony wszystkie istotne składowe zostały przesłane, a z drugiej wypadkowy strumień danych nie przekroczył założonego limitu.

W standardzie MPEG-2 można przesyłać maksymalnie 5 kanałów sygnału akustycznego z pełnym pasmem częstotliwości i jeden kanał niskoczęstotliwościowy (subwoofer), co często jest zapisywane jako 5.1 kanałów fonicznych. W podstawowych kanałach sygnał akustyczny jest próbkowany z częstotliwością 32; 44,1 lub 48 kHz. Zachowana jest pełna kompatybilność pomiędzy dekoderami dla poszczególnych warstw standardu MPEG-2 jak również ze standardem kodowania fonii we wcześniejszym standardzie MPEG-1. Oznacza to, że dekoder fonii standardu MPEG-2 odczyta sygnał zakodowany przez koder MPEG-1 oraz, że dekoder MPEG-1 będzie mógł pracować z sygnałem wytworzonym przez koder MPEG-2. Oczywiście dekoder MPEG-1, w którym przewidywano transmisję tylko dwóch kanałów fonicznych nie będzie wytwarzał dźwięku dookólnego ale z 5.1 kanałów przesyłanych w standardzie MPEG-2 wybierze informacje niezbędne do odtworzenia sygnału stereofonicznego.

Metoda kompresji fonii określona w standardzie MPEG-2 nie będzie jedyną stosowaną w cyfrowych urządzeniach telewizyjnych. Poważnym konkurentem dla niej jest standard AC-3 opracowany przez Dolby. W obu przypadkach stosowane są podobne algorytmy kompresji sygnału akustycznego, ale standardy AC-3 i MPEG-2 Audio są całkowicie niekompatybilne pomiędzy sobą. Standard opracowany przez Dolby będzie stosowany do przesyłania fonii w amerykańskim standardzie telewizji wysokiej rozdzielczości Grand Alliance oraz w cyfrowych dyskach wizyjnych DVD produkowanych na rynek amerykański.