我們可能仍然認為AR是一種視覺媒介，但蘋果再次對整個體驗的音頻方面進行了研究。繼之前研究讓音頻發出3D聲音之後，現在又一直在研究更便捷的方式來實現這一目標。“具有音頻和測距組件的音頻系統”是一項新獲批的專利，該專利關注的是如何用最少的設備模擬出準確的3D聲音。

蘋果在專利描述當中表示，在現有的向虛擬空間中觀察者重現聲音圖像方法中，分佈在實際空間周圍的麥克風必須相互間隔，才能依靠檢測到的聲音進行聲源定位。相應地，這種方法無法使用單一、緊湊的麥克風陣列來進行聲源定位，而且這種方法的設備和安裝成本會很高。

還有一個問題是，一旦在周圍間隔了一整系列的麥克風進行錄音，移動它們就會很費時。蘋果想要的是一個更簡單的系統，同時也適用於便攜式錄音和播放。這對於蘋果AR來說尤為重要，因為音頻是讓體驗感覺真實的關鍵。虛擬現實和增強現實環境可以包括虛擬聲源，即在虛擬空間中的計算機生成的聲源。

蘋果表示，虛擬空間可以映射到實際空間，例如，用戶可以在一個房間裡戴上耳機，耳機可以向用戶重現一個聲音，好像這個聲音是用戶面前說話的同事聲音，即使這個同事實際上是在另一個房間裡。為了直觀地顯示虛擬物體的移動或重新定位，錄音必須能夠準確地識別源位置。當位置被識別後，錄音可以以一種定位的方式向用戶重現重現的聲音，就像聲音來自用戶佔據的房間中的類似位置一樣。

這項專利提出，這些麥克風要輔以蘋果所說的”深度捕捉裝置”。當這兩者能夠檢測到一個點雲和一個局部聲場，而處理器能夠從它們的數據中重建一個全局聲場時，就可以向用戶呈現一個虛擬現實環境。換句話說，無論用什麼系統來計算出虛擬同事在你左邊五英尺的地方，蘋果AR音頻都可以播放他們的語音，就好像離你那麼近，而且是在那個方向。關鍵就在於這個深度捕捉設備。該專利不厭其煩地描述了每一種可能的這種設備，但它集中在相機上。

蘋果表示，一個攝像頭陣列可以是一個具有兩個或多個攝像頭的立體系統，幾個攝像頭可以彼此相鄰和/或彼此間隔開，並觀察同一個空間。每個攝像頭可以從不同的有利位置檢測同一空間，因此，通過分析來自每個攝像機的圖像，可以確定距離攝像頭陣列106個不同點和/或圖像內物體的距離。當產生聲音的物體在視野內向後移動時，例如，遠離捕捉設備的位置，系統就可以調整音頻信號的延遲和增益，以呈現與虛擬聲音在虛擬環境中和用戶相對的位置。