我不确定我是否将其发布到了正确的地方或者是否应该发布在 StackOverflow 中，因为我想将这些知识用于编程。
好吧，我对声学了解不多……
我知道，像位图这样的未压缩图像每个像素有 3 个字节：1 个表示红色，1 个表示绿色，1 个表示蓝色
但是音频是如何工作的呢？我使用一个程序生成从 0 到 255 再到 0 的所有数字，使用 HxD 将它们粘贴到一个文件中，保存时不使用扩展名，然后将原始文件导入 Audacity，它看起来像这样：
现在，我的问题是：
- 为什么有些在 0 水平线以下，而有些在 0 水平线以上？那条线代表什么？
- 为什么图片看起来不像三角形，因为它从 0 到 255 再到 0？为什么它看起来这么奇怪？
经过一番思考，我想我已经弄清楚了一些事情：水平线和垂直线相交的地方是图表/文件的中间，因此应该是 255。此外，0.001 和 0.002 之间以及 0.004 和 0.005 之间的那些峰值看起来像图表中的断点，就像它在水平线下方的对应峰值上延续一样。我猜对了吗？
另外，我想知道在上述峰值之后和之前，末尾和开头的那些不规则之处是什么。我怀疑 Audacity 使用了一些数学函数来让音频中的点处于正确的位置，并且该函数具有正弦或其他三角运算。我读到过一些文章说正弦和余弦与声音有关。
我对调（E、F、C 等）也有些疑问。它们和音高有关系吗？它们到底是什么？
编辑：我意识到我在生成图表的点时犯了一个非常愚蠢的错误。基本上，我忘记在 16 以下的每个数字前添加一个 0，因此当我输入到文件中的是字节（例如 1、2、3 和 4）时，最终写入文件的将是 2 个字节 12 和 34。无论如何，我修复了它，开头和结尾的那些“干扰”消失了。为了进行比较，以下是 0-255-0、0-255 和 255-0 的图表： http://postimg.org/image/nmoq9mmdp/
答案1
首先，需要注意的是一些图像容器类型（如图片尺寸 720X720) 有 3 个字节值来表示红色、绿色和蓝色值，其他的可以有 4 个字节值来表示红色、绿色、蓝色和 alpha 通道。其他的可以有更多。
这就是我们使用计算机来表示视觉信息的方式；这是因为如果您要拍摄快照并将其“原始”值转换为字节，则实际字节数将相当可观（如果使用全光谱，则 5"x7" 图像的字节数将达到 GB+ 范围）。因此，我们使用算法和硬件技术来欺骗我们的大脑，让我们认为在以数字方式呈现图像时，我们看到的是图像的全彩色表示。
我从某处读到正弦和余弦与声音有关。
音频有所不同，因为音频所包含的物理信息要少得多。声音（像光一样）是一种波（可以很容易地用正弦/余弦函数表示）。光是电波，而声音是物理波。光是在原子层面产生的，电子通过时会释放光子；将光波转换成原始数字信息比将声音转换成光波要复杂一些。声音是在分子和原子相互碰撞时产生的。这种物理压力相对容易通过磁铁和线圈从物理波转换成电波（很像麦克风的工作原理）。获取此电信号 ( +/- V)，我们可以将其转换成数字信号 ( 1/ 0) 来表示物理声波。原始音频占用的空间比视频要小得多，但仍然远远超过我们当前的硬盘空间（如果是我的 50k+ MP3 收藏，如果它们是原始音频，则将占用更多空间）。
现在必须以某种方式呈现表示音频波形的数字信号，以便可以使用或播放它，因为如果您只是获取原始音频字节并以 CPU 的速度“播放”它们，它很可能听起来像一个响亮的哔哔声或其他随机声音。为此，必须以均匀的时间间隔对波形进行采样，并将每个间隔表示为一个数字。这些数字是字节，您正在更改的 0-255，它们代表音频波形并表示频率和音量等内容（假设是原始音频格式而不是像mp3或 这样的容器aac）。
正如一条评论指出的那样，这个具体的答案可能有点复杂（考虑到你的要求以及需要解释什么才能充分理解），所以无论是在这里还是在SO上问，我建议你看一下Digital Audio Fundamentals来自 Audacity 手册。它对您所问的问题有一个很好的入门介绍，并且可能比通过这些论坛之一进行合理解释更有帮助。
如果您在阅读他们的一些文档后仍有疑问，我很乐意进一步扩展（在这里或在 SO 上）。希望这能有所帮助。