O som que chega ao ouvido é uma vibração do ar. Quando alguém toca uma nota, o ar à volta começa a empurrar e a recuar muitas vezes por segundo, e essa agitação chega até nós como som. Para a máquina, o que importa é que essa vibração pode ser medida.
Se medirmos a vibração em instantes muito curtos e seguidos, obtemos uma lista de números. Cada número diz quão forte era a vibração naquele instante. Numa nota sustentada, os valores sobem e descem de forma regular, porque a vibração também é regular. Num trecho com várias notas ao mesmo tempo, os valores mudam de forma mais irregular, porque várias vibrações se somam.
Essa lista de números é o que a máquina consegue guardar, comparar e trabalhar. É por isso que a IA precisa transformar o som em números: sem essa lista, não há nada para ela manipular. Quanto mais instantes medimos por segundo, mais detalhes do som ficam registados — mas a ideia central é sempre a mesma, medir a vibração em pequenos passos e guardar o resultado como números.