Стандарт определяет кодированное представление преобразования текста в речь MPEG–4 Audio (М-TTS) и его декодер для синтеза речи высокого качества и для того, чтобы задействовать различные приложения. Стандарт предназначается для приложения к функциональности М-TTS, такой как функциональность анимации лица (FA) и совместимость кинофильмов (MP) с кодированным потоком битов. Функциональности М-TTS включают возможность использования просодической информации, извлеченной из естественной речи. Функциональности также включают приложения в переговорное устройство для инструментов FA и устройство дублирования для кинофильмов, используя форму губ и вводимую информацию о тексте.