Kinect®-tekniken använder en infraröd (IR) projektor i kombination med två kameror för att kartlägga ett utrymme i tre dimensioner. Tekniken kan känna igen mänskliga konturer och sedan extrapolera djup genom att undersöka ljuset från IR-projektorn. Ett wireframe-skelett tilldelas varje mänsklig kontur, som sedan används för att tolka rörelser som spelingångar. Varje Kinect® kan känna igen flera personer samtidigt för flerspelarspel. Utöver denna rörelseavkännande Kinect®-teknik, inkluderar varje enhet även en mikrofonuppsättning som kan användas för att ge röstkommandon.
Kinect® är en rörelseavkännande kringutrustning för videospel som inte kräver att varje spelare har en fysisk handkontroll. Till skillnad från annan kamerabaserad kringutrustning för videospel kan Kinect®-tekniken avkänna djupet exakt och utföra flera andra funktioner. Sättet som dessa enheter känner av djup är genom att projicera ett halvslumpmässigt fält av infrarött ljus in i ett rum. När ljuspunkterna träffar ett föremål kan Kinect®-tekniken bestämma hur långt bort det är genom att beräkna hur lång tid det tar för ljuset att reflektera tillbaka till enheten. Detta gör att en djupkarta kan skapas som är exakt inom cirka 1 centimeter (cirka 0.4 tum).
Alla beräkningar som krävs för att skapa en djupkarta utförs av Kinect® själv. Denna information skickas sedan till spelkonsolen tillsammans med ett vanligt videoflöde från den traditionella kameran. Båda dessa videobilder sänds med 30 bilder per sekund (FPS). Konsolen kan sedan använda djupkartan för att spåra en persons position i tre dimensioner och det vanliga videoflödet för ansiktsigenkänning. Spelare kan lära systemet hur deras ansikten ser ut, varefter det är möjligt för Kinect®-tekniken att automatiskt logga in dem.
Utöver denna rörelseavkännande teknologi, inkluderar varje Kinect®-enhet även en mikrofonuppsättning. Arrayen är sammansatt av fyra mikrofoner, vilket gör det möjligt för Kinect®-tekniken att känna igen källan till varje ljud i ett rum. Detta kan vara användbart för röstkommandon, eftersom det gör att enheten kan avgöra vilken person som har talat. Det kan också tillåta enheten att skilja mellan kommandon som utfärdats av en person och eventuellt bakgrundsljud som härrör från ett videospel eller en film som spelas. Mikrofonerna kan också användas för röstchatt och kommunikation i spelet, vilket är funktioner som vanligtvis kräver användning av ett headset.