что такое звук
Начало
здесь.
картинка это набор пикселей расположенных по координатам и состоящих из RGB (255,255,255 это белый )
1 секунда двухканального звука оцифрованного на 48000 Гц с 16-битной точностью это, например, 48000 пар знаковых 16-битных целых чисел. Если все эти числа равны, то это одна секунда тишины. А если первое число в i-й паре равно 32767 * sin(440 * 2 * Pi * i / 48000), а второе -- 0, то это одна секунда ноты ля первой октавы в левом канале.
Превратить звуковую дорожку в график , научиться работать со звуком , чистить его
Продолжать поиски
здесь.