（1） 、采样率/采样频率
我们经常听到的第一个术语是采样率或采样频率，两者指的是同一件事。你可能遇到过的一些数值是8kHz、44.1kHz和48kHz。究竟什么是音频文件的采样率？
采样率是指每秒钟记录的音频样本数。它是以每秒的样本或赫兹（缩写为Hz或kHz，1kHz为1000Hz）来衡量。一个音频样本只是一个数字，代表在一个特定时间点的测量声波值。非常重要的一点是，这些样本是在一秒钟内时间上相等的时刻采集的。例如，如果采样率是8000赫兹，那么在一秒钟内有8000个采样是不够的；它们必须在一秒钟的1/8000时间内准确地被采集。在这种情况下，1/8000的数字被称为采样间隔（以秒为单位），而采样率只是该间隔的乘法倒数。
采样率类似于视频的帧率或FPS（每秒帧数）测量。视频只是一系列的图片，在这里通常称为 “帧”，非常快速地背对背显示，给人以连续不间断运动或移动的错觉（至少对我们人类来说）。虽然音频采样率和视频帧率是相似的，但在每一个中保证可用性的通常的最低数字是非常不同的。对于视频来说，为了保证运动的准确描述，每秒至少需要24帧；少于这个数字，运动可能会显得不流畅，连续不间断运动的错觉也无法保持。这一点在帧与帧之间发生的运动越多时尤其适用。此外，每秒1或2帧的视频可能会有 “瞬间 “事件，保证在帧之间被错过。
对于音频来说，要明确地表示英语语音，每秒的最小采样数是8000赫兹。由于各种原因，使用低于这个数字的采样率会导致语音无法被理解，其中一个原因是相似的话语将无法相互区分。较低的采样率会混淆音素或语言中的声音，这些声音具有显著的高频能量；例如，在5000赫兹下，很难将/s/与/sh/或/f/区分开来。既然我们提到了视频帧，另一个值得详细说明的术语是音频帧。虽然音频样本和音频帧都是以赫兹为单位，但它们并不是一回事。一个音频帧是来自一个或多个音频通道的一个时间实例的音频样本组。
最常见的声音采样率值是前面提到的8kHz（最常见于电话通信）、44.1kHz（最常见于音乐CD）和48kHz（最常见于电影的音轨）。较低的采样率意味着每秒钟的采样数较少，这反过来又意味着较少的音频数据，因为有较少的采样点来表示音频的数量。采样率的选择取决于需要采集哪些声学伪影。一些声学人工制品如语音语调需要的采样率比声学人工制品如音乐CD中的音乐曲调要低。值得注意的是，更高的采样率需要更多的存储空间和处理能力来处理，尽管这在过去数字存储和处理能力是首要考虑的情况下，现在可能不是那么大的问题。
（2） 、采样深度/采样精度/采样大小
除了采样率，也就是我们有多少个音频的数据点，还有采样深度。以每个样本的比特为单位，样本深度（也称为样本精度或样本大小）是音频文件或音频流的第二个重要属性，它代表了每个样本的细节水平，或 “质量”。正如我们上面提到的，每个音频样本只是一个数字，虽然有很多数字有助于表示音频，但你也需要每个单独数字的范围或 “质量 “足够大，以准确表示每个样本或数据点。“质量 “是什么意思？对于一个音频样本来说，它只是意味着该音频样本可以代表更高的振幅范围。8比特的采样深度意味着我们有2^8=256个不同的振幅，而16比特的采样深度意味着我们有2^16=65，536个不同的振幅，以此类推，采样深度更高。电话音频最常见的采样深度是16比特和32比特。在数字录音中，有越多不同的振幅，数字录音听起来就越接近原声事件。
同样，这也类似于我们可能听到的关于图像质量的8位或16位数字。对于图像或视频，图像或视频帧中的每个像素也有一定数量的比特来表示颜色。像素中的比特深度越高，产生的像素颜色就越准确，因为像素有更多的比特来 “描述 “屏幕上要表现的颜色，而且像素或图像总体上看起来更符合人们在现实生活中的样子。从技术上讲，一个像素的比特深度表明该像素可以代表多少种不同的颜色。如果你允许R、G和B中的每一个用8位数字表示，那么每个像素就用3 x 8 = 24位表示。这意味着有2^24~1700万种不同的颜色可以由该像素表示。
（3） 、比特率
将声音采样率和采样深度联系在一起的是比特率，它是两者的简单乘积。由于声音采样率是以每秒的样本数来衡量的，而采样深度是以每个样本的比特数来衡量的，因此它是以（每秒的样本数）x（每个样本的比特数）=每秒比特数来衡量的，缩写为bps或kbps。值得注意的是，由于采样深度和比特率是相关的，它们经常被交换使用，但也是错误的。
音频中的比特率因应用而异。要求高音频质量的应用，如音乐，通常有一个更高的比特率，产生更高的质量，或 “更清晰 “的音频。电话音频，包括呼叫中心的音频，不需要高比特率，因此普通电话的比特率通常比音乐CD的比特率低得多。无论是采样率还是比特率，较低的数值可能听起来更糟糕，但同样，根据应用，较低的数值可以节省存储空间和/或处理能力。