Как музыка, видео и прочая информация может быть представлена в виде нулей и единиц?

Цифровой сигнал 0 и 1 не имеют смысла в выражении в вольтах. Какой стандарт удобней, такой и будет. Допустим у вас простенький 4х разрядный ЦАП. 4 цифровых входа и 1 аналоговый выход. Ещё у него есть вход опорного сигнала. Сколько будет на опору подано, столько максимально на аналоговом выходе сможет он отдать. Допустим подали на опору 10V.Если на все 4 входа подано 0000 - на выходе 0 вольт. Подали 0111 - на выходе 4,666вольт . Подали 1000 на выходе 5,333вольт. Подали 1111 на выходе 10 вольт. Подали 0001 на выходе 0,666 вольт. Любые комбинации единиц и нулей - линейная зависимость напряжения выхода от 0 до 10 вольт с дискретностью количества комбинаций разрядов. А количество комбинаций 16. И цена 1 разряда 10 опорные/15 (поскольку 16я комбинация 0000 это "0"). Цена одного = 0,666 вольт (при 10 опорного). Если быстро менять значения кода, на выходе можно формировать аналоговый сигнал. Синусоиду например (ну, поскольку разрядов мало, её подобие). АЦП действует наоборот. В зависимости от величины поданного напряжения меняется код на выходе. В двух словах так...

Да ничего сложного...
Аналоговый сигнал - функция непрерывная (синусоиду вспомнили?). Теперь этот сигнал запускаем на АЦП (аналого-цифровой преобразователь). Он с определенным интервалом времени (период дискретизации) измеряет величину сигнала на входе и пересчитывает полученное значение в цифровой код. Если этот код подать на ЦАП (цифро-аналоговый преобразователь), то на его выходе получим ступеньки, которые отдаленно будут напоминать исходный сигнал. Теперь если уменьшить интервал времени измерений в ЦАП (уменьшить период или увеличить частоту дискретизации), то ступенек станет больше и картинка еще сильнее будет напоминать исходную синусоиду. Ступеньки можно сгладить фильтром и получим исходную синусоиду.

Самое главное - после АЦП и до ЦАП сигнал представлен в виде цифрового кода. Достоинство "цифры" - практически полное отсутствие помех. ЦАП и АЦП только пакостят. Например, если в наушниках играет музыка с амплитудой 5 В и появилась помеха в 0,5 В то Вы эти наушники выбросите. А для цифрового сигнала, например TTL 5В 0,5 В никак не повлияет, потому что все что ниже 2,4 В это логический ноль, все что выше - единица. И добавка 0,5 В никак не повлияет на обработку "цифры". Вот как-то так..

Учи теорему Колмогорова при дискретизацию (сэмплирование по-иностранному) аналоговых сигналов. В ней формулируются требования с точки зрения физики и математики, а на практике это выполняют аналогово-цифровые преобразователи (АЦП) с временной фиксацией результата на время записи в компьютер УЗХ — устройства записи-хранения.

В дешевых устройствах УЗХ одно и потому каналы стереосигнала оцифровывается поочередно, чтобы оцифровка была полной, да еще и по многим каналам, требуются два и более УЗХ.

Насчет текстовой информации выше хорошая аналогия с азбукой Морзе.
Допустим, 1 символ - 1 байт, и 1 байт = последовательность из 8 бит. Бит - это 0 или 1. Таким образом, байт - комбинация из 8 нулей/единиц. Определенные сочетания приняты за определенные символы, допустим, 00000000 - это буква "А", 00000001 - буква "Б" и т. д.
Так и хранится на диске и передается.
Файл - просто последовательность таких вот байт, соответствующая порядку символов в нем.

Видео в простейшем случае (без сжатия кодеками; вроде *.avi так умеет) - это последовательность картинок - кадров.
Картинка в простейшем случае (точечный рисунок *.bmp) - это последовательность точек, из которых она состоит.
А точка - это 3 байта: красный, зеленый, синий (RGB). Ими можно представить точку любого цвета.
Ну а с байтами все примерно как с символами.

Чтобы изучить что-то большое, нужно сперва разбить его на мелкие части и выкинуть все лишнее.

В данном случае, чтобы все лучше понять, нужно воспользоваться HEX-редактором.

Представьте себе для начала морзянку. Одна буква означает цвет, вторая - размер шрифта, третья- говорит о том, что передача окончена. И каждая из этих букв представима в виде двоичного кода.

Самое простое представление это графический эквалайзер. Звук из динамика получается за счет резкого втягивания и последующего отпускания мембраны 1- мембрана втянута (есть напряжение на катушке динамика), 0 - мембрана отпущена мы слышим щелчок. А из тысяч щелчков в секунду образуются ноты и другие звуки. Вот как то так.

ЦАП и АЦП