有聲電影的空間是由光和聲音塑造的。攝影機的工作原理是借助於光、透鏡及感光膠片，把現實中的三維信息以紀實的方式輸入到二維平面上，再投影在二維銀幕上，造成三維的視覺運動幻覺，錄音機則可忠實地紀錄和還放空間裏的聲波（直達聲、反射波、衍射波等）。單聲道的錄音系統可以忠實地體現聲音的距離、縱深運動等空間特征。立體聲系統還可以體現橫向運動。因此它大大增強了銀幕上二維影像的立體幻覺。例如，杯盤的碰撞聲不僅是簡單的音響效果，它還描繪了聲源所處的空間，並且傳達了使用者的情緒狀態。聲音的全方向性傳播的特點及人耳全方向性的接收形成壹個無限連續的聲音空間，因此在事件或敘事空間以及超事件或超敘事空間中，聲音沒有畫內畫外空間之分，只是聲源有畫內畫外之分。
聲音體現的空間有：事件或敘事空間、超事件或超敘事空間、非事件或非敘事空間（如解說詞或評價性音樂）。在事件或敘事空間中，看不見的聲源的聲音可形成極其豐富多變的空間變化，並創造出各種情緒氣氛。 聲音的時間關系有 3種：放映或觀看時間、事件或敘事時間、觀眾欣賞的心理時間。放映時間與事件或敘事時間完全同步的時間叫做實時的時間，如多機位拍攝的壹場實況演出。在故事片中很少有真正的“實時”影片。美國影片《正午》是罕見的壹例。它的故事是假設發生在1小時45分鐘之內的,放映時間亦為1小時45分。放映時間與事件或敘事時間的不同步（如在90分鐘的放映時間內表現了20分鐘的事或2000年的事），構成觀眾的獨特的心理時間。由於電影作品的時間是以1/24秒為最少時間單位的連續流程，因此它的心理時間更像音樂作品的欣賞時間，而不像戲劇的欣賞心理時間，更不像小說的閱讀心理時間。
構成欣賞心理時間的可變因素是事件或敘事的時間。在這壹時間範疇內，聲音可以表現為現在、過去、將來3個時態以及這3個時態的各種同時性結合，如在蘇聯影片《湖畔奏鳴曲》中，醫生在樹下休息時，過去(閃回)的聲音與現在時態的遠處的雷鳴聲同時出現。
聲帶上壹段時間連貫的聲音（如對話）和時空不連貫的壹系列畫面結合起來，可以造成時空不連貫的幻覺，也可以造成時空連貫的幻覺，這是好萊塢電影中對話場面的正拍/反拍模式的依據。
壹個聲音可以通過重復來獲得戲劇性的效果。例如在美國影片《邦妮和克萊德》中，破產的農民用手槍打已經抵押出去的農舍的玻璃窗，這聲槍響出現在兩個連續的鏡頭中（射擊的鏡頭和玻璃窗的鏡頭）。
壹個聲音可以把兩個不同的時空聯系起來。例如，在蘇聯影片《這裏黎明靜悄悄……》中，戰爭時期的女戰士聽見的壹聲布谷鳥叫與十幾年後和平時期另壹個姑娘擡頭聽見這壹聲布谷鳥叫的鏡頭接在了壹起，從而把兩個時代緊密聯系起來做了鮮明的對比。 認識的發展有聲電影出現之初，無論是創作實踐還是理論對聲音的認識是局限的，因此出現“視覺為主論”。這種觀點產生的原因有兩個。壹方面是歷史的,即認為有聲電影是無聲電影的繼續,視覺畫面加上了聲音,而電影應是視覺媒介。因此,德國電影理論家R.愛因漢姆提出了有聲電影的“存在本身是否合理這樣壹個更為根本的問題”。另壹方面是對電影本身認識的角度問題。壹般都認為攝影機高於錄音機。德國電影理論家S.克拉考爾是這壹觀點的代表，他在《電影的本性》壹書中提出：“視覺形象在其中（指電影）占首要地位時，它才是符合電影的精神的。這個要求是合乎情理的，因為電影的最獨特的貢獻事實上無可置疑地是來自攝影機，而不是錄音機。”
有聲電影經過60年的發展,科學技術的進步,電子－感光傳播媒介系統的形成與發展，使人們不再從無聲電影到有聲電影的繼承性來認識有聲電影，不再認為電影是視覺畫面加上聲音，而認為電影藝術的視覺與聽覺效果同時***存、相互作用、互為依存。本體論的觀點也改變了，認識到無聲電影的最獨特貢獻來自攝影機，無線電廣播（電聲學）的最獨特貢獻來自電聲收錄還放設備，而有聲電影使用的工具則是攝影機和錄音機。由此出現了視聽相對平衡的觀點並進壹步產生了視聽結合（或稱聲畫結合）的觀點。由此許多以視覺為主的聲音術語也隨之起了變化。例如，過去把不出現在畫面上的聲源發出的聲音稱為“畫外音”。之後認為，壹個空間的聲音是不受畫框限制的，聲音不能以人眼看見與否，而應以人耳聽見與否作為分類標準。壹個人聽見壹種音樂往往引起要看到聲源的願望，但是，壹個人能聽見自己的聲音，卻看不見自己。 有聲電影是對外部世界的視聽感知。人的視覺感官和聽覺感官以不同的方式互相配合起來感知外界（當然還有嗅覺、觸覺和味覺等感官）。人眼的視網膜感受的是光波，它有壹定的視野（角度），瞳孔可以調節光通量，兩眼的視差可以判斷物體的距離和大小，並可以辨別色彩。人耳不同於人眼的功能，人耳的耳鼓可以接受全方向性的聲波（聲音信息），沒有固定局限的角度。只是兩耳在接受聲波時有壹相位差，所以人的聽覺世界在任何時候都是壹個無限連續的聲音環境，而同時又可以辨別出聲源的方位、距離和運動方向，但不如視覺那樣精確。電影的攝影系統和錄音系統可以模仿人眼和人耳的功能及其相互的配合作用。這是聲畫同步概念產生的根據。
光波（即電磁波的可見光譜）的速度為每秒30萬公裏，聲波的速度為每秒 340米，人的視覺神經的傳遞速度為每秒1200～1400米，人的聽覺神經的傳遞速度為每秒 800～1200米。光波與聲波之間的速度有差別，視聽神經之間也有壹差別，這構成極其復雜而豐富的視聽關系。
例如，電影作曲家們發現這樣壹種現象，他們脫離了畫面，按要求譜寫壹段15秒長的音樂，但是在混錄時，對著銀幕上的動作演奏時卻感到音樂的節奏快了。反之，壹段動作性極強的段落取消了同步的聲音就顯得慢了。這種對所有的觀眾都產生同樣的效果的現象稱做視聽生理－心理效應。視聽效應是視聽結合的最低層次。美國導演A.希區柯克的影片所依靠的主要是視聽效應。
人憑生活經驗的積累獲得壹種肌肉運動的記憶，搖鏡頭、仰俯拍都能引起壹定的似動感，這和空間感、方位感、運動感結合能產生強烈的身臨其境的感覺。例如，在銀幕上處於陰影裏的壹張臉突然大喊壹聲時，觀眾會感到那張臉亮了壹些。這是因為聲音引起觀眾把視點聚焦在陰影下的那張臉上，瞳孔重新做了調整。
又如,銀幕上傳來看不見聲源的聲音,引起銀幕上的人把頭轉向左方，於是觀眾就產生那聲音確實來自左畫外的幻覺。如果那個人物進壹步把頭移向畫框左側，畫框右側是空的，這時觀眾就會把視線中心移到畫框左側的那張臉上，結果形成觀眾視野右半區落在銀幕的左半區，而視野的左半區卻落在左畫框外，於是形成強烈的畫外空間感。。這不僅涉及觀賞者的文化水平，而且還涉及觀賞者或創作者的民族或地域的文化特征。
光影、色彩的飽和度和聲音、尤其是音樂性的聲音有著微妙的心理關系，因此在電影中所考慮的是視聽結合的飽和度。例如感情強烈的音樂可以使壹片白雪茫茫的畫面達到飽和，而色彩達到飽和的影像可以不需要音樂的加強。又如，笛子的高音區的音色可以給視覺畫面鋪設壹層淒涼的色彩。色彩同樣亦可改變音樂的情調。
聲畫結合亦可借用多聲部變調音樂的對位。例如，美國影片《勝利者》在聖誕節槍斃逃兵的段落，使用了聖誕節的抒情節日歌曲與視覺上跳躍的槍斃逃兵的場景對位的手法，不僅造成了反戰思想強烈沖擊的效果，而且給那悠揚的音樂蒙上了壹層悲慘的色彩。
另壹種對位的方法是造成視聽反常的現象，以引起觀眾的思考。例如，聲帶上傳來原子彈爆炸及沖擊波的聲音，但是銀幕上卻是壹片寧靜的景象，從而使觀眾產生疑問：是否爆發了壹場原子戰爭？