Интересно смотреть на причуды цифровой информации. Вот пишу я рецензию на очередной фильм. Сама рецензия занимает 1965 байт (в ней ещё и пробелов куча, а ведь это пробелы - пустота). Но вот картинка к рецензии занимает уже 135433 байта - почти в семьдесят раз больше. Однако, что интереснее и важнее - картинка, или рецензия? Ответ очевиден. Но зрительно воспринимаемая информация всегда занимает в десятки, сотни, тысячи и миллионы раз больше текста. Всегда так: текст занимает мало, аудио - много, фото-видео - очень много.
Кстати, если вы не знали: ухо - гораздо более крутой приёмник информации, чем глаз, если рассматривать ширину воспринимаемого диапазона относительно к средней частоте. Ухо слышит в диапазоне 20-14000Гц (если рассматривать средние возможности). А глаз видит в диапазоне всего лишь 385-790ТГц (да, терагерц). Несмотря на куда более высокую частоту в случае с глазом, относительная ширина диапазона у уха куда больше.
И тем не менее, сохранение волновой формы звука в цифре занимает сравнительно немного по сравнению с видеокадрами. Принцип другой; для видео приходится сохранять историю изменений целой кучи пикселей, в то время как для аудио - всего лишь изменение формы волны в нескольких каналах (двух, если говорим о стерео).