1. 音频采样
与视频不同，音频的最小单位不是一帧，而是一个采样。
采样是当前一刻声音的声音样本，样本需要经过数字转换才能存储为样本数据。
真实声音是连续的，但是在计算机中，声音是离散且均匀的声音样本。
2. 位深度
数字转换时会根据位深度转换，位深度就是存储单个样本数据的大小，位深度越大，记录的样本数据精度就越高。
网络视频、音频文件一般位深度为 16bit，常用位深度还有 8bit、24bit 等。
这里需要一提的是，位深度越大虽然意味着声音还原度越高，但是过高的位深度，如 32bit、64bit 或以上，可能需要特殊的软件和硬件设备才能播放。
3. 声道
音频有单声道、双声道、立体声等。
每个声道的声音样本都会单独记录，一般双声道的采样数是单声道的两倍，多声道同理。
多个声道的样本数据一般会按声道排列顺序记录，播放时，程序会根据排列顺序将声音用不同的扬声器播放。
4. 采样率
采样率是采样的频率，与视频的帧率类似，是一秒钟对声音的采样个数，如果是双声道，那么 1 秒采样的个数是采样率的两倍，多声道同理。
普遍认为，流畅且不失真的音频，要求采样率达到 40KHz 以上，这个采样率是人类听觉频率上限的两倍，一般 CD 品质音频的采样率是 44.1KHz，网络视频、视频文件一般是 48KHz。
常见的音频采样率：
1. 8KHz 音频通话或监控
2. 22.05KHz\24KHz FM 调频广播
3. 44.1KHz CD 品质
4. 48KHz 一般网络电影或视频
5. 单个音频帧
理论上，音频并不需要音频帧的概念，因为音频采样数据和采样率已经可以把音频播放描述清楚了。
但是音视频文件播放时，为了保证音视频同步，程序需要根据每帧的播放时间戳进行有序播放。
但是每个音频采样数据太小了，如果每个采样数据都记录播放时间戳的话，那么就得不偿失了。毕竟一个时间戳数据的大小比一个音频采样数据都大，所以就有了音频帧的概念。
音频帧实际上就是把一小段时间的音频采样数据打包起来，如每20ms的音频采样数据合并成一帧。
这里的具体时间间隔是具体编码码格式决定的，一般不需要特别关心。
和视频帧一样，每一帧音频帧也会记录播放时间戳 PTS，程序播放时会根据播放时间戳 PTS 播放音频帧。
音频帧的播放是比较特别的，因为一帧音频包含的是一小段时间的音频采样，所以实际上音频帧的播放时间戳只是这一小段音频的开始播放时间，里面的采样数据会根据采样频率连续播放。
6. 码率
音频码率，也就是常听到的音频比特率，码率就是一秒钟的数据量大小。
在不压缩的情况下，音频码率的大小=采样率位深度声道数。
7. 编码格式
编码格式实际上是压缩数据的方式，常用的编码格式有 wav、mp3、aac 等，音频编码格式有有损、无损压缩之分。
mp3、aac 这些编码格式是有损压缩，其中mp3支持的最大码率是 320Kbps，而 wav 编码格式是无损压缩，虽然压缩后的码率可能会比降低，但是它在播放时能无损还原采样数据。
最后值得一提的是，在网络音频文件、音频直播时，需要考虑限制码率，限制码率的目的是为了限制数据量的大小，避免带宽、流量等问题。
音频编码格式一般采用 aac，音频码率一般设置为 128Kbps 就可以了。