Hola chic@s.

Parecerá una pregunta algo tonta, sin embargo, no la comprendo del todo...¿Qué es lo que realmente sucede y cómo, cuando tenemos un archivo de vídeo y solo queremos reproducir el audio de ese archivo?.

Es decir, cómo separa el programa el audio del vídeo?...Entiendo que lo haga, pero el archivo sigue alguna estructura en concreto desde la cual un programa, por ejemplo mplayer sepa cómo separa el audio de lo que es la imagen del vídeo...?

Precisamente eso. Cuando tú grabas un vídeo, el programa genera un archivo en formato de audio (.mp3 por ejemplo) y otro en formato de vídeo (.avi como ejemplo) y los separa en dos pistas que se sincronizan.
Realmente es que no hay más