声音的生成，源于万物的振动。这种振动在空气中产生波动，形成共鸣之声，再由大气的传播，最终触动人的听觉，展现出一种物理现象。
声音的三要素是响度、音调和音色。
响度与声音震动的幅度紧密相关。当我们用力发声时，鼓膜的震动幅度增大，进而产生更为响亮的声音。
音调主要受频率影响。声波的频率越高，音调也就越高。
音色则是在同样的音调（频率）和响度（振幅）下，不同乐器的独特表现。例如，钢琴和小提琴的声音虽然都可以达到同样的音调和响度，但它们的音色不同，因此我们能够轻易地区分它们。
声音的传播依赖于固体、液体和气体等介质，但传播的速度会因介质的不同而有所差异。在真空中，声音是无法传播的。
对于自然界的声音（模拟信号），我们进行采样。采样过程是根据奈奎斯特定理在时间轴上对信号进行数字化。即按照一定的时间间隔△t，在模拟信号x(t)上逐点捕捉其瞬时值。采样率越高，声音的还原度就越高，质量也就越好，但同时也会占用更多的存储空间。
量化过程则是用有限个幅度值来近似原来连续变化的幅度值，将模拟信号的连续幅度转变为具有一定间隔的离散值。
编码则是按照特定的规律，将量化后的值用二进制数字表示，再转化为二值或多值的数字信号流。这样的数字信号可以通过电缆、卫星通道等数字线路进行传输。在接收端，经过与上述模拟信号数字化过程相反的操作，再经过后置滤波，即可恢复成原来的模拟信号。这一系列数字化的过程被称为脉冲编码调制。
当我们描述一段脉冲编码调制（PCM）数据时，通常会涉及到几个关键的量化指标：采样率、位深度、字节序和声道数。
采样率指的是每秒钟采样的次数，单位为赫兹。位深度则表示用多少个二进制位来描述采样数据，通常为16bit。
关于字节序，这是指当数据类型占用的内存超过1个字节时，数据在内存中的存储顺序。为了确保数据处理的高效性，通常采用小端存储的方式。
声道数则表示支持的不同发声声音的音响数量。例如，单声道只有一个音响支持发声，而双声道则有两个。
以CD音质为例，其量化格式为2字节，采样率为44100赫兹，声道数为2。这些信息共同决定了CD的音质。计算得知，在1分钟的时间里，CD音质的存储空间占用约为10.09MB，这表明直接存储这样的音频文件其实需要相当大的存储空间。