Попросту говоря, мы представляем звук, как вибрация, проходящая через среду (как правило, в воздухе), которую мы можем воспринимать нашими органами слуха. Звук распространяется как продольная волна, которая поочередно сжимает и разжимает молекулы вещества (например, воздуха), через которые он проходит. В результате, как правило, мы представляем звук как график давления с течением времени:

Это представление звука на временном отрезке отображает точное отображение того, как звук ведет себя в реальном мире, и, как мы вскоре увидим, это является наиболее распространенным представлением звука, используемого в работе с цифровым аудио. Когда мы пытаемся технически описать звуковую волну, мы можем использовать несколько параметров, которые помогут нам лучше понять, что происходит. В первом случае, глядя на величину отклонения, вызванную волной звукового давления, мы можем измерить амплитуду звука. Это может быть измерено научной величиной давления в паскалях Па, но, как показала практика, более удобно оперировать величиной амплитуды волны по логарифмической шкале в децибелах дБ. Если звуковая волна давления повторяется с регулярностью периодической структуры, мы можем по длине полного периода одного колебания вывести частоту этой волны. Например, если звук путешествуя в среде на скорости 343 метра в секунду (скорость звука в воздухе при комнатной температуре) содержит волну, которая повторяется каждые пол метра, этот звук имеет частоту 686 герц, или повторений в секунду. На рисунке ниже показан график звучания ноты виолончели на частоте 440 Гц; В результате, периодическая структура волны (разграничены вертикальными линиями) повторяется каждые 2,27 мс:

Как правило, звуки, происходящие в мире природы содержат много дискретных частотных компонентов. В шумных звуках, эти частоты могут быть совершенно не связаны друг с другом или сгруппированы по типологии границ (например, малый барабан может произвести частоты случайно распределенные между 200 и 800 герц). В гармонических звуках, однако, эти частоты часто разнесены целыми коэффициентами, например такой звук как у виолончели на ноте 200 герц будет производить частоты не только на основной 200, но и в целом гармоническом ряду 200, 400 , 800, 1200, 1600, 2000, и так далее. Мужчина певец производя ту же ноту будет иметь те же частотные компоненты в голосе, хотя и в разных пропорциях к виолончели. Наличие, отсутствие, и относительная сила этих гармоник (также называемых частичные или обертоны) обеспечивает то, что мы воспринимаем как тембр звука.

Когда звук достигает наших ушей, происходит важное сенсорное преобразование, что важно понимать, при работе с аудио. Так же, как свет с различными длинами волн и яркости возбуждает различные рецепторы сетчатки в ваших глазах, чтобы произвести цветное изображение, улитка внутреннего уха содержит массив волосковых клеток на базилярной мембране, которые настроены реагировать на различные частоты звука. Внутреннее ухо содержит волосковые клетки, которые реагируют на частоты расположенные примерно между 20 и 20000 герц, хотя многие из этих волос постепенно теряет чувствительность с возрастом или под воздействием громкого шума. Эти клетки, в свою очередь отправляют электрические сигналы с помощью вашего слухового нерва к слуховой коре вашего мозга, где они разбираются для создания частотного представления звука, поступающего в уши:

Подобное представление звука, как дискретный набор отрезков частот и амплитуд независимых от времени, это больше похоже на то, как мы воспринимаем нашу звуковую среду, чем волны давления на временном отрезке. Жан-Батист-Жозеф Фурье, французский математик девятнадцатого века, разработал уравнения, которые позволяют нам перевести волну звукового давления (независимо от того, насколько она сложна) в его ряд частот и амплитуд. Преобразование Фурье является важным инструментом в работе со звуком на компьютере.

Наша слуховая система принимает эти потоки информации о частоте и амплитуде от наших двух ушей, и использует их, чтобы построить слуховую картину, сродни визуальной сцены. Наш мозг анализирует акустическую информацию на основе ряда параметров, таких как время, начало стерео корреляции, коэффициента гармоник, и совокупности для разбора ряда акустических источников, которые затем помещаются в трехмерном изображении, представляющем то, что мы слышим.