自然界中的声音非常复杂，波形极其复杂，需要将模拟信号转换成数字信号,通常我们采用的是脉冲代码调制编码，即PCM编码。PCM通过抽样、量化、编码三个步骤将连续变化的模拟信号转换为数字编码。
- 抽样：对模拟信号进行周期性扫描，把时间上连续的信号变成时间上离散的信号,对应采样频率；
- 量化：用一组规定的电平，把瞬时抽样值用最接近的电平值来表示,通常是用二进制表示；
- 编码：用一组二进制码组来表示每一个有固定电平的量化值,对应采样位数；
(1)音频文件的组成：文件格式（或者音频容器）+数据格式（或者音频编码）
- 文件格式是用于形容文件本身的格式，可以通过多种不同方法为真正的音频数据编码，例如CAF文件便是一种文件格式，它能够包含MP3格式，线性PCM以及其他数据格式音频
- 线性PCM:这是表示线性脉冲编码机制，主要是描写用于将模拟声音数据转换成数组格式的技术，简单地说也就是未压缩的数据。因为数据是未压缩的，所以我们便可以最快速地播放出音频，而如果空间不是问题的话这便是iPhone 音频的优先代码选择
(2).音频文件计算大小
简述：声卡对声音的处理质量可以用三个基本参数来衡量，即采样频率，采样位数和声道数。
-
采样频率：单位时间内采样次数。采样频率越大，采样点之间的间隔就越小，数字化后得到的声音就越逼真，但相应的数据量就越大，声卡一般提供11.025kHz,22.05kHz和44.1kHz等不同的采样频率。
-
采样位数：记录每次采样值数值大小的位数。采样位数通常有8bits或16bits两种，采样位数越大，所能记录的声音变化度就越细腻，相应的数据量就越大。
-
声道数：处理的声音是单声道还是立体声。单声道在声音处理过程中只有单数据流，而立体声则需要左右声道的两个数据流。显然，立体声的效果要好，但相应数据量要比单声道数据量加倍。
-
声音数据量的计算公式：数据量（字节 / 秒）=（采样频率（Hz）* 采样位数（bit）* 声道数）/ 8
单声道的声道数为1，立体声的声道数为2. 字节B，1MB=1024KB = 1024*1024B -
一个采样率为44.1KHz，采样大小为16bit，双声道的PCM编码的WAV文件，它的数据速率=44.1K×16×2 bps=1411.2 Kbps= 176.4 KB/s。
1秒的数据就这么大,这是不合适的,需要进行压缩编码,所以就会有aac,MP3,wma等等格式.
struct AudioStreamBasicDescription
{
Float64 mSampleRate; // 采样率 ：Hz
AudioFormatID mFormatID; // 采样数据的类型，PCM,AAC等
AudioFormatFlags mFormatFlags; // 每种格式特定的标志，无损编码 ，0表示没有
UInt32 mBytesPerPacket; // 一个数据包中的字节数
UInt32 mFramesPerPacket; // 一个数据包中的帧数，每个packet的帧数。如果是未压缩的音频数据，值是1。动态帧率格式，这个值是一个较大的固定数字，比如说AAC的1024。如果是动态大小帧数（比如Ogg格式）设置为0。
UInt32 mBytesPerFrame; // 每一帧中的字节数
UInt32 mChannelsPerFrame; // 每一帧数据中的通道数，单声道为1，立体声为2
UInt32 mBitsPerChannel; // 每个通道中的位数，1byte = 8bit
UInt32 mReserved; // 8字节对齐，填0
};
typedef struct AudioStreamBasicDescription AudioStreamBasicDescription;
https://www.jianshu.com/p/a671f5b17fc1
https://www.jianshu.com/p/e2d072b9e4d8
