在电影研究中，通常强调视觉方面的内容，而声音研究则忽略，原因很复杂，如影像与声音之间物理及本体的差异、传播方式的不同，及电影观众对视觉比对听觉有更强的注意力，等等。①如法国学者米歇尔·西昂(Michel Chion)指出，“人类的视觉，如电影视域，是片面且方向性明确的，而听觉却是多向性的。我们看不到后面，但能耳听八方。”自有声电影始（甚至使用现场伴奏或唱盘配乐的无声电影时期），电影声音因其难以捉摸、不可触碰的神秘本质一直徘徊在电影理论中。关于声音的复制及其美学的争论丰富了我们对于电影三维声音世界的理解。伴随1920年代以来声音技术和技巧的革新，数十年间，关于电影声音的重要概念和术语不断被提出、运用和修正。② 电影声音从来不是对声音的中立的忠实纪录，它是一种间接的(mediated)声音现实。③用艾伦·威廉姆斯(Alan Williams)的话说，“声音录制，如同拍摄画面，设备为我们做了重要的知觉工作——分离、强化，及分析原始听觉和视觉资料。”④它只是一个角度，一个样本，对“原始声音”的一种解读。⑤因此，这种被描述的声音有个体化的“空间印迹”(spatial signature)⑥，清楚表明某种声音的空间环境特质。⑦多数电影的多轨声道包括多重声音元素，如言语（画外音，对白，独白等），音效（sound effects，环境声），及音乐。为了叙事便捷或强调某些特殊效果，这些类型的电影声音元素在影片中得到重视的程度也不同，用詹姆士·拉斯塔(James Lastra)的话说，“突出对叙事来说重要的信息，抑制背景音的干扰……来强调叙事。”⑧而且关于声音再现要更“忠实听觉现实”（fidelity，假定所有声音元素同等重要）还是“清晰易辨”（intelligibility，认为应有侧重，某些声音元素比其他更重要），理论界亦有很多争论。⑨ 电影声音理论学者对经典好莱坞电影（或主流好莱坞剧情电影）声音美学的讨论和看法，可被总结为：透明，以人声为中心⑩，及男性中心(11)。好莱坞电影声音实践的传统是试图通过声画同步(synchronized sound)，抹去观众感知中声音录制设备的存在，如同在视觉中，通过流畅剪辑而不让观众感觉到摄影机和剪辑的存在，从而隐藏影音的控制和制作过程，令观众全身心投入叙事幻觉。(12)好莱坞电影声音实践也优先考虑人声和对话的清晰可辨，因为在好莱坞电影中对话是观众理解电影的主要渠道，对推动叙事也至关重要。但在好莱坞体系内外，仍有很多对电影声音美学有独到见解的导演在作品中精心构造了“异质多元的音景”(heterogeneous soundscape)。典型的导演有弗里兹·朗(Fritz Lang)、奥逊·维尔斯(Orson Welles)、罗贝尔·布莱松(Robert Bresson)、雅克·塔蒂(Jacques Tati)、沟口健二(Kenji Mizoguchi)、戈达尔(Jean-Luc Godard)、阿兰·罗伯·格里耶(Alain Robbe-Grillet)，玛格丽特·杜拉(Marguerite Duras)、塔可夫斯基(Andrei Tarkovsky)、罗伯特·奥特曼(Robert Altman)等等。他们的作品对声音的创造性运用引起学者注意，并鼓励我们对电影的声音层面作更复杂的、深层次的观照。(13) 西方电影声音理论侧重于对欧美电影文本的解读，对亚洲电影中另类声音实践的研究还比较匮乏。(14)“台湾新电影导演”如杨德昌(15)和侯孝贤都很自觉且独特地创造了一种“多音／复调电影”(polyphonic cinema)(16)，不仅停留在结合各种方言和语言（闽南话，客家话，国语，日语，上海话，温州话等等）的层面，更重要的是对各种声音元素错综复杂的融合、互动及声画的彼此影响。(17)由于音响师杜笃之的重要贡献，侯孝贤作品，从早期的《风柜来的人》(1983)、《悲情城市》(1989)，到更近的《咖啡时光》(2003)与《红气球之旅》(2007)，确立并发展了一种独特的和极富表现力的声音美学，与他的视觉美学（如固定机位远景长镜头、片段式叙事结构，对日常细节的关注，及人物与自然及社会环境的充满和谐之美的彼此依存）呼应对照。 自《悲情城市》开始，侯孝贤使用现场同期录音，逐渐构筑起一种有特色的声音写实主义(auditory realism)，尊重声音的空间特征，由此区分室内、室外等不同声音空间，有写实趋向，并重现声音的鲜活质感和物质性。侯孝贤的电影也对各种声音元素（如对话，环境声及音乐）持相对平等的态度，并减弱人声在电影中的绝对主导位置——比如有时刻意在构图中剥除人物影像相对于环境的优越地位。侯孝贤作品不时呈现摄影机的“主观听点”(point of audition)(18)，并使声音范围配合画面范围，如，听起来遥远的、低音量声音配以全景镜头，视觉特写配特写声音（不像多数好莱坞电影，无论影像景别——即被摄物体与摄影机的距离和角度，一律配以特写声音，确保观众获得完整清晰的语言信息），这样更易令观众认同摄影机与它注视和拍摄的视听世界的关系。另外，侯的作品还创造一种“深焦听觉长镜头”(deep-focus aural long take)，与其招牌视觉长镜头相呼应。这种听觉长镜头有几层声音（如旁白，对白，环境音及音乐），它们通常彼此重叠，有前景、中景和背景声音；它们的位置又不时彼此置换，使得听者可以领会一种微妙的、不断变化的听觉细节、节奏及空间。如丰富的场面调度可以创造画内蒙太奇，侯作品中不同声音元素在同一视听长镜头中的渐隐渐显、叠化，在单一镜头内或蒙太奇段落中彼此重叠变化，也可被视为特别的听觉蒙太奇(sound montage)。尽管侯孝贤作品里有一种非常风格化的视听设计，它们对声音的录制和重现也并非很激进和颠覆性的（有些法国导演处理得更彻底，如戈达尔，杜拉，及格里耶等）。总体来说，“清晰可辨”还是重于“完全忠实听觉现实”，声音录制已经过分析选择，去除一些可对主要元素构成干扰的声音，但这控制很节制，几乎不露痕迹。
