Como uma música é interpretada pelo computador?
Da mesma maneira como um vídeo é interpretado: Pela mudança de valores ao longo do tempo.
Para entender como isso ocorre, vamos estabelecer alguns conceitos-base:
Resolução por Unidade
Uma maneira fácil de entender a resolução por unidade é analisando como uma imagem é representada.
Uma imagem que utiliza apenas um bit por pixel apresentaria apenas duas cores- preto e branco:
A mesma imagem, utilizando 8 bits por cor, pode fazer uso de mais de 16 milhões de combinações:
O mesmo conceito se aplica em um arquivo de áudio. Quanto mais bits você usa para expressar um sample, maior é a quantidade de amplitudes que podem ser representadas:
De cima para baixo: Formas de onda original, sampling de 16 bits e sampling de 8 bits
Frequência
Porém, a resolução de bits de um sample não é tudo. A frequência com que os samples são apresentados também é importante. De novo, vamos utilizar imagens para representar este conceito:
Este vídeo é uma sequência de imagens apresentadas a 8 frames por segundo (sim, você foi rickrolled.)
Agora O mesmo vídeo, a 16 frames por segundo:
O mesmo se dá com um arquivo de áudio. Quanto maior a frequência de coleta (ou sampling rate), maior será a variação de dados durante um certo período de tempo.
No exemplo acima, um sample é coletado a cada 22 microssegundos - ou seja 44.100 por segundo.
Entendo que uma imagem é uma matriz de pixels, em que cada elemento é uma cor
Exatamente. Um arquivo de áudio é, portanto, como um vídeo, onde a representação muda com o tempo. Entretando, diferente do arquivo de vídeo que possui milhares (ou, em alguns casos, milhões) de pixels a serem apresentados mudando a 30 vezes por segundo (no caso de um video a 30 FPS), o arquivo de áudio representa apenas um 'pixel' - que pode mudar milhares de vezes por segundo.
Quando abro uma música no R, ele a apresenta como duas sequências (left e right) de frequências [...]
Isso porque você abriu um arquivo estéreo, que contém os canais esquerdo e direito. O mesmo ocorre em vídeos estéreo - duas sequências são apresentadas ao mesmo tempo:
https://www.youtube.com/watch?v=gQ6vJGLfMxs
Um arquivo de áudio 7.1 conteria 8 canais.
Será que é correto afirmar que uma música é uma matriz com duas colunas e o número de linhas sendo alguma unidade de tempo?
Um arquivo de dois canais (estéreo), sim. O número de linhas seria a quantidade de samples que o arquivo possui.
Um arquivo mono conteria apenas uma sequência.