Hogy is vannak ezek a konténerformátumok? (avi, mp4 és társai)

Ezek csak tároló adatszerkezetek, és kvázi olyan, mintha "bezippelnénk" egy hangsávot, egy feliratot, egy képsávot egyetlen féjba? Tehát az mp4 zenének tudtommal lehet bármi a kódolása - mp3, vorbis, aac, vagy egy AVI is lehet divx, h264, akármi kódolású.

Ezt eddig értem. Ott vagyok elakadva, hogy pl. az AVI formátum úgy is tárolhatja a videókat, hogy a képek közötti változást tárolja csak el. Ez nem az enkódoló kodek feladata? Miért van ehhez köze magának az AVI formátumhoz?