不僅限於ffmpeg，音頻采樣所得的PCM都含有三個要素：聲道（channel）、采樣率（sample rate）、樣本格式（sample format）。
聲道
當人聽到聲音時，能對聲源進行定位，那么通過在不同的位置設置聲源，就可以造就出更好的聽覺感受，如果配合影像進行音頻位置的調整，則會得到更好的視聽效果。常見的聲道有：
- 單聲道，mono
- 雙聲道，stereo，最常見的類型，包含左聲道以及右聲道
- 2.1聲道，在雙聲道基礎上加入一個低音聲道
- 5.1聲道，包含一個正面聲道、左前方聲道、右前方聲道、左環繞聲道、右環繞聲道、一個低音聲道，最早應用於早期的電影院
- 7.1聲道，在5.1聲道的基礎上，把左右的環繞聲道拆分為左右環繞聲道以及左右后置聲道，主要應用於BD以及現代的電影院
如下是一個雙聲道的音頻系統
采樣率
音頻采樣，是把聲音從模擬信號轉換為數字信號。采樣率，就是每秒對聲音進行采集的次數，同樣也是所得的數字信號的每秒樣本數。在對聲音進行采樣時，常用的采樣率有8k（電話）、44.1k（CD）、48k（視頻音軌）、96k/192k（Hi-Res）。
樣本格式
單個聲道的樣本的編碼類型
區別於前文所述的樣本，我們這里為其添加了前綴，特指單個聲道中的樣本。音頻在經過采樣得到樣本后，還需要對該樣本執行兩個步驟：
- 量化。音頻量化的量化位數常用的有8bit、16bit、32bit、64bit。
-
二進制編碼。也就是把量化所得的結果，即單個聲道的樣本，以二進制的碼字進行存放。其中有兩種存放方式：直接以整形來存放量化結果，即Two's complement code；以浮點類型來存放量化結果，即Floating point encoding code。兩者有如下關系：$\displaystyle{Q_{FLT} = \frac{Q_{INT}}{X_{Range}}}$其中$X_{Range}$代表該量化器的量化范圍，$Q_{INT}$量化器所得出的結果，$Q_{FLT}$則是該結果的浮點表示。量化器所得出的量化結果必定在量化范圍之內，因此從上面的式子可以看出，$Q_{FLT}$的絕對值必然小於等於1。
幀（frame）
音頻在量化得到二進制的碼字后，需要進行變換，而變換（MDCT）是以塊為單位（block）進行的，一個塊由多個（120或128）樣本組成。而一幀內會包含一個或者多個塊。
幀的常見大小有960、1024、2048、4096等。
幀當中的樣本的組合方式
- 交錯（interleaved）。以stereo為例，一個stereo音頻的樣本是由兩個單聲道的樣本交錯地進行存儲得到的。
- 平面（planar）。各個聲道的樣本分開進行存儲，。
ffmpeg中的樣本格式
enum AVSampleFormat {
AV_SAMPLE_FMT_NONE = -1,
AV_SAMPLE_FMT_U8, ///< unsigned 8 bits
AV_SAMPLE_FMT_S16, ///< signed 16 bits
AV_SAMPLE_FMT_S32, ///< signed 32 bits
AV_SAMPLE_FMT_FLT, ///< float
AV_SAMPLE_FMT_DBL, ///< double
AV_SAMPLE_FMT_U8P, ///< unsigned 8 bits, planar
AV_SAMPLE_FMT_S16P, ///< signed 16 bits, planar
AV_SAMPLE_FMT_S32P, ///< signed 32 bits, planar
AV_SAMPLE_FMT_FLTP, ///< float, planar
AV_SAMPLE_FMT_DBLP, ///< double, planar
AV_SAMPLE_FMT_S64, ///< signed 64 bits
AV_SAMPLE_FMT_S64P, ///< signed 64 bits, planar
AV_SAMPLE_FMT_NB ///< Number of sample formats. DO NOT USE if linking dynamically
};
可見其中有U8（無符號整型8bit）、S16（整型16bit）、S32（整型32bit）、FLT（單精度浮點類型）、DBL（雙精度浮點類型）、S64（整型64bit），不以P為結尾的都是interleaved結構，以P為結尾的是planar結構。