我们先假设某人在音视频方面是零基础，也没学过任何数字信号处理相关知识，数学基础基本是高中水准，但是熟悉 C/C++ 开发，至少熟悉某一个平台下的编译调试IDE。
着重研究两个开源项目 ffmpeg 和 webRTC，主要看ffmpeg的视频部分和webRTC的音频部分。
首先，从视频解码入手，这个最简单，调用 ffmpeg视频解码的基本代码只有100行左右，视频解码只要搞懂h.264就好了，80%+场景都是这个编码格式了，了解基本的 H.264 的 sps pps NAL等文件格式概念，了解YUV图像格式原理，了解YUV到RGB的转换，这样就可以做图像渲染，可以实现一个简单的视频播放器。 （第一阶段基本符合）
然后，学习视频编码，建议从x264入手，一个简单的调用x264的编码代码也不到100行。编码比解码复杂在于，解码是不需要配置什么参数的，而编码有大量参数需要配置，初期只要了解几个基本概念就好了，比如帧速率, 常用流控方式 ABR CRF，GOP，I/B/P Frame分别是什么意思。（再次熟悉X264编码）
音频部分的编解码和视频差不多，初期只需要了解两种编码器EAAC+和Silk，了解声道，采样率等概念，了解 Wave文件格式。可以做一个简单音频播放器。（做一个音频播放器）
音频复杂的地方不是编解码，而是音效，看下 webRTC里的 Audio Processing module，理解以下几个概念，去噪NS，消回声AEC，静音检测VAD，自动增益控制AGC，webRTC内置的这几个算法虽然不是最好的，但是可以解决90%+的问题了，值得学习下。（学习webrtc音频处理）
学到了这里需要思考个问题了，自己是想走工程路线还是算法路线，如果是算法路线，那么必须要去学数学了，数字信号处理背后是大量的数学基础理论。如果是工程路线，那么要去学习跨平台开发，学习多个平台下音视频的采集，播放和处理，学习多平台下汇编语言优化。（平台相关）
音视频是个水很深的领域，学一辈子都学不完，但这个领域有个好处，就是知识更新速度比较慢，学的东西不容易被淘汰，经验的积累非常重要。