声音采样也称抽样（sample），是连续信号在时间上的离散化，即按照一定时间间隔△t 在模拟信号x（t）上逐点采取其瞬时值。它是通过采样脉冲和模拟信号相乘来实现的。采样间隔的选择和信号混淆：对模拟信号采样首先要确定采样间隔。如何合理选择涉及到许多需要考虑的技术因素。一般而言，采样频率越高，采样点数就越密，所得离散信号就越逼近于原信号。但过高的声音采样频率并不可取，对固定长度（T）的信号，采集到过大的数据量（N=T/△t），给计算机增加不必要的计算工作量存储空间；若数据量（N）限定，则采样时间过短，会导致一些数据信息被排斥在外。采样频率过低，采样点间隔过远，则离散信号不足以反映原有信号波形特征，无法使信号复原，造成信号混淆。
直观地说信号混迭是把本该是高频的信号误认为低频信号。根据采样定理可以得到，当采样频率大于原信号中最大组成频率的两倍时，可以比较好的还原信号，若小于最大组成频率的两倍则为欠采样，会出现信号混叠现象。
音乐采样是指录音设备在单位时间内对模拟声音采样的多少，音乐采样器的频率越高，机械波的波形就越真实越自然。在当今的主流采集卡上，采样频率一般共分为11025Hz、22050Hz、24000Hz、44100Hz、48000Hz五个等级，11025Hz能达到AM调幅广播的声音品质，而22050Hz和24000HZ能达到FM调频广播的声音品质，44100Hz则是理论上的CD音质界限，48000Hz则更加精确一些。
声波其实是一种机械波，因此也有波长和振幅的特征，波长对应于时间轴线，振幅对应于采样值轴线。波是无限光滑的，弦线可以看成由无数点组成，由于存储空间是相对有限的，数字编码过程中，必须对弦线的点进行采样。采样的过程就是抽取某点的采样值，很显然，在单位时间中内抽取的点越多，获取得波长信息更丰富，为了复原波形，一个周期中，必须有至少2个点的采样，人耳能够感觉到的最低波长为1.7cm，即20000Hz，因此要满足人耳的听觉要求，则1s采样至少40000次，用40000Hz（40kHz）表达，这个40kHz就是音乐采样器的频率。我们常见的CD，音乐采样器额频率为44.1kHz。
采集过程中视频和音频同步是非常重要的，光有波长信息是不够的，我们还必须获得该波长的能量值并量化，用于表示信号强度。量化电平数为2的整数次幂，我们常见的CD位16级的采样大小，即2的4次方。采样大小相对采样率更难理解，因为要显得抽象点，举个简单例子：假设对一个波进行8次采样，采样点分别对应的能量值分别为A1-A8，但我们只使用2bit的采样大小，结果我们只能保留A1-A8中4个点的值而舍弃另外4个。如果我们进行3bit的采样大小，则刚好记录下8个点的所有信息。采样率和采样大小的值越大，记录的波形更接近原始信号。