本发明提供方法(700、800、900)、系统(200、300、400、500、600)及计算机程序产品。接收(801)与音频对象相关联的位置元数据(620)。所述位置元数据定义所述音频对象在音频场景中的位置。基于所述位置元数据来估计(630、802)所述音频对象是否包含对话。将代表所述估计的结果的值指派(803)给对象类型参数(231)。在一些实例实施例中，基于音频对象的相应对象类型参数的值来选择(661、662、804)音频对象。在一些实例实施例中，将所述选定音频对象中的至少一者提交给对话增强(690、807)。