视频中的“帧”是指一张图片，那么在音频中，“帧”的含义就完全不同了。理解音频中的“帧”概念，对做音视频处理、流媒体开发非常关键。

一、声音是怎么采集的？

音频采集是指通过麦克风等设备捕捉周围环境中的声波，并将其转换为电信号，再通过模数转换器（ADC）将这些模拟电信号转换为数字信号的过程。这样，计算机就能对音频数据进行处理、存储或传输。

简单理解下：
1、声音的产生
麦克风是采集到周围环境中的声音。那声音是怎么产生的？实际上，声音是由振动产生的。人说话是通过声带产生了对周围的空气的振动；走路等运动也会根据幅度等因素产生不同等级的振动；各种振动混合造成了我们周围的声音。
2、声音数据怎么传输和存储
麦克风获取到周围的声音后，通过电信号的方式来标识采集到的数据。为了将数据在网络中进行传输，需要借助模数转化器，将模拟信号转化为数字信号，这样就可以在网络中传输了。
3、声音的存储
此时接收端收到的音频数据就是123456…这样的数字。实际上是一个非常大的浮点数组，对这些数据进行不同格式编码（wav,mp3等），在保存到磁盘上。
4、声音数据播放
存储的音频文件通过数模转换器（DAC）转换回模拟信号。在将模拟信号放大并通过扬声器或耳机等设备转换成声波，人耳就可以听到了。

二、采样率是什么？

采样率指的是每秒钟从连续信号中提取并组成离散信号的样本数量，通常以赫兹（Hz）为单位表示。例如，44.1kHz意味着每秒采集44,100个样本。
根据奈奎斯特定理，为了准确地重建原始音频信号而不产生混叠失真，采样率至少需要是最高音频频率的两倍。对于人类听觉范围（大约20Hz到20kHz），常用的CD质量音频采样率为44.1kHz。

三、音频中的帧是什么？

在音频处理中，“帧”通常指的是一组样本集合，这些样本可能来自单声道或多声道。帧的概念主要用于编码和解码过程中，作为最小处理单元。它不像视频帧那样是“图像”，而是一段短时间内的声音数据。

公式：

- 一个音频帧 = 所有声道在一个时间点上的采样值。
- 每个音频帧包含：- 采样数（samples per frame）- 声道数（channels）

假设你有一个立体声（2声道）音频，每个音频帧包含1024个采样点：

那么这个帧中就有：1024 × 2 = 2048个采样值
左右声道各 1024 个采样

帧的作用：
不同的音频编码格式可能有不同的帧大小。帧不仅包含音频样本数据，还可能包括用于同步、错误检测等功能的额外信息。

扩展一下：
位深度（Bit Depth）是什么？
位深度决定了每次采样所用的数据位数，直接影响到音频动态范围的大小。常见的位深度有16位、24位等。较大的位深度允许更大的动态范围和更低的噪音底。
比特率是什么？
比特率指的是每秒钟音频数据的传输速率。对于未压缩音频格式，比如WAV，比特率由采样率、位深度和通道数决定。例如，CD质量的音频具有44.1kHz的采样率、16位的位深度和2个声道（立体声），其比特率为 44100×16×2=1411.2 kbps。
公式：
比特率 = 采样率 × 位深度 × 声道数
提高任意一个参数（比特率、采样率或位深度）都可以提升音频的质量，但这也会增加文件的大小。
简单来说，比特率越高，音质也就越好。