先介绍音视频中几个基本概念：
采样率：采样率就是每秒钟抽取图像或声波幅度样本的次数。比如音频采样率8k，表示1s有8000次采样。
帧率：帧率就是每秒显示帧数。比如30fps标识1秒显示30帧图像。
时间戳单位：时间戳计算的单位不为秒之类的单位，而是由采样频率所代替的单位，这样做的目的就是为了是时间戳单位更为精准。比如说一个音频的采样频率为8000HZ，那么我们可以把时间戳单位设为1/8000。
时间戳增量：相邻两个RTP包之间的时间差（以时间戳单位为基准）。
那么如何设定时间戳之间的增量呢？
按照刚才时间戳单位来看，1秒钟按照时间戳单位就是8000，那么一秒钟如果可以播放20帧，也就是发送20帧（帧率），那么可以求出相邻两帧之间的时间差，也就是时间戳增量，那么显而易见是用8000/20，那么这个时间戳增量就为400。
音频如果采用频率是8000HZ 那么时间戳单位就是1/8000 ,时间戳单位就是1/8000 这个1 就是指1s,说白了就是每个声波幅度样本的时间间隔是 1/8000s。
帧率是 20那么时间戳增量就是 8000/20=400（现在每秒采样的声音样本数是8000个，每秒播放20帧那么每帧包含的声音样本就是400个）时间戳增量就是400，如果换做系统时间 就是 400*（1/8000），每帧间隔1/20s 。网上大多数列举的一个例子是：例如MPEG，每帧20ms，采样频率8000Hz，设定时间戳单位1/8000，而每个包之间就是160的增量 ，这里又该如何理解呢？可以轻易地看出增量是直接8000与20ms相乘的结果，我们可以知道这里两帧之间的时间为20ms，也就是0.02s，这个单位是以秒来衡量的，那么我们要用时间戳单位来表示那么就是8000*0.02=160.所以时间戳增量为160。
关于视频采样率，为什么一般都用90000作为视频采样频率呢？
90k用于视频同步的时间尺度(TimeScale),就是每秒90k个时钟tick。为什么采用90k呢？目前视频的帧速率主要有25fps、30fps、60fps等，而90k刚好是它们的倍数，所以就采用了90k。比如30fps，那么它的时间戳增量就是90000/30=3000。