远程通信、计算机和电视/电影工业之间的传统界限极为模糊。历史上原本属于某一领域的内容现已渗透到其他两个领域中。视频、声音和通信已进入计算机；交互性进入了电视；视频和交互性则进入了远程通信领域。看起来像一种聚集，实际上并非如此。这三种行业是从不同的技术角度来研究音像应用的。

在当今世界，应对三种主要趋势予以关注：

1、向无线通信发展的趋势；

2、向交互式计算机应用发展的趋势；

3、视听数据的综合应用不断增长的趋势。

对于传统意义上区分的各行业间的交叉，应综合考虑这三种趋势；目前的标准和正在制作的标准没有充分涉及这些新的需求。而MPEG-4的重点就是解决这些需求，即综合三种行业的通用应用，以提供便于交互的音频-视频编码、高压缩比和通用访问能力。为了采用迅速发展的相关技术的优点，MPEG-4标准将保证高度的灵活性和扩展性。

基于内容的交互性包括人与音像画面中有意义的对象相互作用的能力。目前，这种交互作用局限于计算机图形，即人工合成的内容。对于新的交互式音像应用，能够提供与自然的、人工的及自然/人工混合的音像对象的相互作用极为重要。

为了有效使用存储空间和传送带宽，需要有较高的压缩比。对于低比特率的应用，改善压缩效率非常重要。

通用访问能力是指对有用的音像数据的访问可以在存储和传送媒体的很大范围内进行的鉴于移动通信的迅速崛起，通过无线网络进行这种应用的访问尤为重要。

高度的灵活性和可扩展性由句法描述语言来保证，这种句法描述语言称为‘MPEG-4句法描述语言’（MSDL）。MSDL将在下面介绍。

目前的视听标准是为从照相机和麦克风获取的自然内容的编码重现而设计的。由于上述三个领域的相互渗透，人工内容的应用在不断增长。因此，很显然的需求是一种既适合于自然对象又适合于人工对象的模式，它能够用来产生单一的音像序列。