语音是语言的物质外壳，是有意义内容的语言成分的外部形式。
音高和音强不是一回事，二者之间没有对应关系。声音高不一定声音就强，声音低不一定声音就弱。但二者有一定的关联。随着音高的增强和减弱，音强会相应地自动增强和减弱。
普通话一般不靠声音的长短来区别词的意义，而汉语有的方言中音长变化有区别词的意义的作用。不同语言区别意义的特征系统是不一样的，有的靠音高（高低有别），有的靠音强（轻重有别），有的靠音长（长短有别），有的同时兼具两个甚至三个方面。这种差异往往是语音教学的重点，也是难点。
世界上的声音千变万化，任何声音都是音高、音强、音长和音色的统一体，因此都可以从这四个方面来分析和辨认。其中音色是最重要的区别要素，其他三种要素的重要性在不同语言中并不完全相同。在汉语中，音高具有极为重要的作用，音强和音长是次要的；而在英语中，音强和音长是主要的，音高则没有区别意义的作用。
音素是人类语言在一次发音中从音质的角度划分出来的最小语音单位。同样的语言单位在多次发音中切分出来的最小语音单位并不相同。
音素只是人类语言所使用的语音资料实体单位，属于人类语言共有，并不专属某一种语言。
音位和音素都是同一个语音系统中最小的语音单位，音素是从语音的自然属性音色的角度划分出的最小单位，音位则是从语音的社会属性划分出的最小语音单位。
呼读音：由于普通话语音声母不够响亮，为了称说和教学的需要，《汉语拼音方案》根据注音字母的传统读音在声母后面加上一个响亮的元音来呼读。呼读音并不是辅音和元音的结合，只用来呼读。称说和教学。在声母和元音拼合成一个音节时，必须丢掉辅音后面的元音，仍用它的本音。
一个音节可以只有一个音素（ng），也可以由几个音素构成（shuang）。一般来说，一个汉字表示一个音节（儿化音节除外）。
一般来说，一个字母就是一个音素（ng、zh、ch、sh除外）。
所有的声母都是辅音，但不是所有的辅音都是声母。所以，可以这样说，辅音的范围大于声母，元音的范围小于韵母。
