本文介绍音频的一些基础知识，比如客户端音频采集的常用指标：
RTMP：44100HZ, 每帧1024采样，帧率43，23.2ms一帧
WEBRTC：48000HZ，每帧480采样，帧率100，10ms一帧
音频相关概念
通道数（channels）
声音的通道数,常用的有单声道和立体声之分。
采样频率
也称为采样速度，定义了每秒从连续信号中提取并组成离散信号的采样个数，它用赫兹（HZ）来表示。
采样位数(采样格式)
采样格式是为了实现度量每个采样点。通常使用16bit(2字节)，也就是2的16次方，共有65536个不同的度量值，这样采样位数越高，音频度量化的就越精细，音质同样也就越高。
采样个数(样本数)
对于采样频率，采样频率是一秒采样的个数，例如48000HZ，每秒采样个数为48000，44100HZ，每秒采样个数为44100。
而对于一帧音频的采样个数，AAC固定一帧采样1024个，MP3格式则为1152。
音频大小和时长相关计算
计算一帧音频的大小
一帧音频的大小(字节) = 通道数 x 采样个数 x 采样位数。
例如该音频帧是FLTP格式的PCM数据，那么就是aac，所以一帧中包含1024个采样个数，并且是双声道的话，那么该音频帧包含的数据量是 2 x 1024 x 4 = 8192字节。 若格式改成AV_SAMPLE_FMT，那那么采样位数是64位8字节，数据量为 2 x 1024 x 8 = 16384字节。
每秒播放的音频字节大小
每秒播放的音频字节大小(字节) = 通道数 x 采样个数 x 采样位数。
公式是一样的，但是由于求的是每秒的数据量而不是一帧的数据量，所以我们需要知道它的采样频率。 例如当采样频率为48kHZ时，一秒包含48k个采样个数而不是1024个，同样是双声道，FLTP格式，那么每秒的数据量是 2 x 48000 x 4 = 384000字节。
一帧音频的播放时长
一帧播放时间(毫秒) = 每帧样本数 * 1000 / 采样率
以采样率44100HZ来计算，每秒44100个sample，而正常一帧为1024个sample，由于比是相等的，可知每帧播放时间/1024 = 1000ms/44100，得到每帧播放时间= (1024 * 1000) / 44100 = 23.2ms(更精确的是23.21995464852608)。
或者用另一种方式去理解公式，1s显示的帧数 = 44100 / 1024 = 43.06640625帧。所以每一帧的播放时长 = 1s / 43.06640625 = 1000ms / 43.06640625 = 23.21995464852607ms。和上面的公式一样(浮点数尾部运算存在极小误差是正常)。
帧率：44100(每秒的采样) / 1024（每帧的采样）= 43帧/s
所以转换一下公式： 一帧播放时间(毫秒) = 1000ms / (44100 / 1024) = 1000ms * 1024 / 44100 = 23.2ms(更精确的是23.21995464852607)。
关于音频时间精度的例子
例如当采样频率为44.1kHZ：一帧播放时间(毫秒) = nb_sample样本数 * 1000 / 采样率 = 1024 * 1000 / 44100 = 23.21995464852608ms，约等于23.2ms，精确损失了0.011995464852608ms，如果累计10万帧，误差 > 1199毫秒，如果有视频一起的就会出现音视频同步的问题，如果按着23.2msm去计算pts(0 23.2 46.4 …)就会有累积误差。