如果说纪录片是一个独立的话语单位，那么除了起决定作用的镜头语言之外，声音语言也是其重要组成部分。声音语言包括解说词、同期声与配乐三个部分，主要起到补充叙事、刻画空间、渲染情绪，增加现场感的作用。
从艺术观赏的经验出发，人们对画面的真实感受和声音的关注是密切相关的。它不仅仅是一种补充手段，而是具有完整的形象。
中国故宫纪录片作品中均体现出浓烈的抒情色彩与深厚的人文素养。这其中有很大一部分的功劳来自于善用声音语言的效果加成。
从解说词上来看，中国早期纪录片的解说词是说明性的文字，是纯粹的信息输出与介绍，目的在于向大家科普历史知识。
以《故宫》、《故宫100》、《卢浮宫遇见紫禁城》《台北故宫》为代表的新时期作品的解说词则发生了转变。
对于历史，更多地采取一种阐释的视角。这是一个从说明文到散文的过程，阐释历史、叙述历史,就鲜明地加入了人作为主体的作用。
一些传说、故事,包括神话,都被包含于其中，重要的是这样的解说空间是开放的。它展现了一种邀请,邀请观众共同去思考与探讨。例如《故宫》第一集的解说词开篇便奠定全片基调：“是谁创造了历史又是谁创造了历史中伟大的文明。
《故宫》的解说词充满着贯穿古今的思索与追问。这是一个重复句式,两个同样句型的提问在片子一开始就抛出问题,抛给观众。这两个问题并不需要马上进行解答。
观众在观看完全片后也会因人而异地得出自己的答案。它是创作者对自己的提问,更是一个民族、历史对于自身的内省,而不是开篇名义，直言我要说什么。
《故宫》的解说词改变了说明式的直白简单，也收住了过于泛滥的抒情,而是更加思辨、内敛地叙述着历史,得出了厚重文化层面上相应的优美。
此外，解说还回避了明确的词语指代,比如将“中国人”叙述为“生活在这块土地上的人们，将“过节”解说为“依然延续着自占以来的传统”，这样的叙述方式透露出行为主体的内在文化含义,也由此贴近拥有同源文化心态的观众们。
这是一种贴近人文心理的思绪,是一种非常情感化的讲述。中国故宫题材纪录片中的配乐虽不如《故宫的记忆》这般出名，却也是经典之作。两者的音乐风格如出一脉的悠扬、深沉、大气。它既有历史沧桑的伤感，又有泱泱大国的宏伟气度。
在声音情感的处理上非常符合传统美学。它不一味的宏大、庄严，也不一味哀伤、缠绵，而是更为典雅、温和，颇有中和之美。
中国传统音乐的独特性不在于乐器的选用，而在于旋律上的审美倾向。并且，无论是西方的管乐、弦乐，还是中国的民乐都合适地被运用在片中，与画面、解说词相得益彰。
几部中方纪录片中的配乐都不是单一、重复的，而是会配合画面进行调整，或悠扬婉转、或大气庄严，灵活变通。从同期声来看，一切也都以服务故宫形象为首要任务。
最为典型的,是每一集《故宫》的片头音效,嘈杂的机器运转和汽车鸣笛的声音,慢转为钟表声和开门声夹杂，随着游人的出现转为隆重的鼓点,接着出现故宫的全景，再到故宫的模型，鼓点混杂了金属声音，由混杂到节奏清晰,最后泛黄的背景落下“故宫”两个大字，声音逐渐减弱。
它反其道而行，避开了常理中的民乐，用这样一种敲打心扉的“重低音”开篇，打开了故宫之门，也打开了观众的心门。为观众在现代都市的喧嚣之中，打开一扇通往历史的大门，望能从中找到心灵的寄托归处。
