Das Hören ist ein physiologischer Vorgang, der die Wahrnehmung von Schall ermöglicht. Im Vergleich zu unseren anderen Sinnesorganen ist das Gehör im Dauereinsatz. Während wir die Augen verschließen, die Nase zuhalten und auf Geschmacks- und Tastempfinden verzichten können, hören wir immer. Irrelevante Töne können wir jedoch ausblenden. Damit wird dem Hören eine lebenswichtige Funktion zugewiesen, weil bestimmte akustische Informationen eine Signalfunktion haben. Bestimmte Töne oder Klänge weisen auf Gefahren oder andere besondere Situationen hin, z.B. das Läuten einer Bahnschranke, wenn diese sich schließt. Sämtliche akustische Informationen können in die Kategorien Soundeffekte, Musik oder Sprache eingeteilt werden. Soundeffekte haben Hinweisfunktion und können in Multimedia-Anwendungen auf bestimmte Handlungen oder interaktive Anwendungen aufmerksam machen. Sie können beispielsweise als Rückmeldungen für richtige oder falsche Antworten eingesetzt werden. Musik hat einen sehr vielfältigen Anwendungsbereich. Sie kann von Wissensvermittlung über Akzentuierung bestimmter Ereignisse, wie z.B. in Filmen, bis zur Erzeugung von Emotionen eingesetzt werden. Zur Erläuterung von Bildern, Grafiken oder Animationen eignet sich vor allem gesprochene Sprache. Lernförderliche Aspekte bei Textvertonungen sind der Sprachstil, die Stimme und die Anrede des Zuhörers sowie die Eigenschaften des Textes. Beim Einsatz von Audiodateien ist eine gewisse Nutzerkontrolle zu berücksichtigen. Unter Nutzerkontrolle versteht man das Ausmaß an Kontrolle, die dem Lernende bei der Anwendung von Textvertonungen zur Verfügung stehen. Eine hohe Nutzerkontrolle erkennt man an den Möglichkeiten der Bedienelemente. Hierzu zählen unter anderem ein Button für Pause, Start, Stopp oder Vorwärts- und Rückwärtsspulen. Der Lernende kann durch die Regulierung der Geschwindigkeit sein Lerntempo selbst bestimmen.