Ponieważ w związku z różnymi prędkościami przesuwu taśmy czas nagrania różnił się między standardami PAL i SECAM, a standardem NTSC, wprowadzono oddzielne oznaczenia maksymalnego czasu zapisu dla każdego ze standardów. Literą „E” był oznaczany czas nagrania dla PAL i SECAM (np. E30, E60, E90, E120, E180, E240, E300), natomiast literą „T” dla NTSC (np. T30, T60, T90, T120, T180, T240).
W formacie VHS fonia zapisywana jest wzdłuż taśmy przy krawędzi – przy przesuwie 2,339 cm/sek uzyskuje pasmo 80 Hz–10 kHz. W niektórych modelach fonia zapisywana jest wirującymi głowicami znajdującymi się na bębnie (hi-fi). Wybrane modele z monofonicznym, liniowym zapisem fonii oferowały pasmo przenoszenia od 40 Hz do 11 kHz. Aby poprawić dynamikę oraz stosunek sygnału do szumu, używane były popularne systemy redukcji szumu, takie jak Dolby B i C. Wobec rosnących wymagań co do jakości dźwięku, w latach 80. opracowano metodę zapisu na poziomie hi-fi dodatkowymi głowicami wirującymi w głębszej warstwie taśmy tzw. multipleks głębokościowy. Magnetowidy tego typu oznaczone są jako „VHS hi-fi” i mają minimum 4 głowice na bębnie wizyjnym (2 wideo + 2 audio). Sygnał wideo zapisywany jest wówczas nad sygnałem audio. Skos głowic audio jest inny od skosu ścieżek wideo, co znacząco niweluje zakłócenia między nimi.