Так, давайте по порядку.
Во-первых, сравнение цифрового фото и цифрового звука не корректно, поскольку в первом случае съём информации идёт сразу в цифровом виде на "фотопластину" с мозаичной структурой, а во-втором, даже в самом коротком цифровом тракте всегда есть микрофон и микрофонный усилитель, которые аналоговые по своей сути и которые являются поставщиком "оригинального" аналогового звука для АЦП. То есть изначально природа электронных звуков всё же аналоговая.
И в ходе аналогово-цифрового преобразования, часть оригинальной информации, находящаяся между выборками безвозвратно теряется, а при восстановлении аналога из цифры, эта информация заменяется усреднёнными значениями(аппроксимируется). Если бы музыкальный формат был периодическим(синусоидальным, к примеру), то ничего страшного в этом бы не было, но он апериодичен по своей сути и на верхних звуковых частотах две-три выборки за период оказывается явно недостаточно, для достоверного воспроизведения музыкального сигнала.
Ведь всем же известно, что наиболее проблемным как для СД-ДА, так и для ШИМ-усилителей является ВЧ диапазон, где кол-во выборок приходящихся на период сигнала минимально.
И если бы со стандартом 44\16 было всё вэри гуд, то зачем нужны были бы 192, 384кГц частоты преобразования? Почему для ШИМ-усилителя всё время повышают несущую?