制定跟MMS相关的规范有两个：WAP Forum和3GPP。WAP Forum制定的标准主要是消息如何组成和打包；3GPP制定的标准主要是消息如何被发送、路由和接收。
MMS由不同的段落组成，比如文本、图像，它们的布局和顺序由SMIL语言指定。MMS的实际内容，比如文本、图像、音频，在信体之后传送。最后，所有这些内容被打包到一个文件作为消息传送。第一代的设备支持最大的消息大小为30KB。
SMIL（Synchronized Multimedia Integration Language）
W3C制定的一种基于XML的语言。通常用于Realplayer和windows media player流媒体中的文本和图像的布局。它的标签集合可以用于动画、交互式视频、音频的精确的，基于屏幕像素的控制。
Sample：
<smil>
<head>
<meta name=”title” content=”vacation photos” />
<meta name=”author” content=”Danny Wyatt” />
<layout>
<root-layout width=”160” height=”120”/>
<region id=”Image” width=”100%”
height=”80” left=”0” top=”0” />
<region id=”Text” width=”100%”
height=”40” left=”0” top=”80” />
</layout>
</head>
<body>
<par dur=”8s”>
<img src=”FirstImage.jpg” region=”Image” />
<text src=”FirstText.txt” region=”Text” />
<audio src=”FirstSound.amr”/>
</par>
<par dur=”7s”>
<img src=”SecondImage.jpg” region=”Image” />
<text src=”SecondText.txt” region=”Text” />
<audio src=”SecondSound.amr” />
</par>
</body>
</smil>
MMS的第一个实现在一页中只允许一个图像区和一个文本区。一个设备可以用自己的布局来取代收到的MMS的布局。但是这并不意味着MMS消息可以没有layout元素。layout段落控制消息中所有页面的布局。body段落是消息中的实际页面。这些页面用par元素表示，所有在这个标签内的元素被同时显示。par和seq非常相似。在MMS SMIL中，消息体暗指seq，而且只能用seq。dur属性指示每一页放映的时间，接收的客户端可以忽略或者修改它，比如用下一页按钮来替换播放时间，但是dur属性应该包含在消息中。
媒体格式
可以使用任何internet兼容编码方案，推荐使用BASE64编码。
最大保证图片大小160*120像素。文本编码可以使用us-ascii，utf-8，utf-16。音频编码使用AMR。
