W celu wykonania zapisu w postaci cyfrowej, dźwięk w postaci sygnału analogowego jest przepuszczany przez filtr dolnoprzepustowy o odcięciu w granicach 20-22kHz (ograniczenie pasma), a następnie próbkowany z częstotliwością 44,1 kHz i rozdzielczością 16 bitów. Wytwarza to strumień danych o przepływności ok. 1,5 Mb/s dla sygnału stereofonicznego i jest to zapis dźwięku w nieskompresowanym formacie (zob. np. PCM, WAV, AIFF, CD-Audio). Aby zmniejszyć ilość danych należałoby zmniejszyć częstotliwość próbkowania i/lub rozdzielczość, ale to może powodować zbyt dużą różnicę w porównaniu do oryginalnego sygnału, nieakceptowalną dla słuchacza. Wykorzystuje się więc specyficzne właściwości ludzkiego słuchu i dlatego w standardzie MP3 używane są modele psychoakustyczne w celu osiągnięcia pożądanego stopnia kompresji stratnej. Polega to na usunięciu tych informacji z dźwięku, które są niezauważalne lub mało istotne dla słuchu człowieka. Z modeli psychoakustycznych wynika, że człowiek najlepiej słyszy dźwięki z przedziału około 2–4 kHz (mowa). Im częstotliwość dźwięku bardziej odbiega od tego pasma, tym słyszalność jest słabsza (zob. granice słyszalności). Zatem jeżeli fala akustyczna, wraz z szumem kwantyzacji, będzie cichsza od dolnej granicy słyszalności, to nie będzie on słyszalny.