首先，汉语是有元音和辅音的，一音元音或一个辅音是一个音素，对应的是一个发音动作，元音辅音以及音素，这些词汇都适合于人类的任何一种语言。
也许每个人种，不同性别，甚至每个人类个体的发音器官都会有些差异，但在基本结构上还是大体相同的，元音、辅音、音素、音节这些概念都是基于发音原理定义的。
发音是一种动作，音素是语音的最小单位，对应的是一个发音动作，要想做出这些动作，首先要有做出这些动作的意识，也就是说，大脑要下达发音的指令，再通过神经系统把指令传递给相关部分部位的肌肉。
其实发音动作不仅仅是舌、腭、咽等部位的动作，还需要气流带动声带震动或与相关部位形成阻塞，再通过口鼻腔共鸣发声，这也需要呼吸系统的配合。同时人们想要学会说话，要就能听得见，否则没有学习的对象，而如果只是简单模仿发音动作，想要发得标准几乎是不可能的，这就需要听觉系统的较准和反复的学习，因为发音是个非常精细的动作。
元音和辅音的最大差别就是气流通过口腔是否受到阻碍，汉语中元音都是需要声带振动的，但在某些语言中发元音时声带也可以不振动，辅音也是一样，声带振动的叫浊音，声带不振动的叫清音。现代汉语普通话中实际上严格要求清浊之分，但实际上如m、n在相拼时有明显的声带振动，而很多辅音在实际对话的语素中是无法表现声带振动的，按理说应属于清辅音。但有人把送气和不送气作为清浊之分，个人觉得这是有问题的。因为清浊用来形容语音，在古汉语中就是用来区别声带是否振动的，送气不送气应该是用“全清、次清、全浊、次浊”等区分。
另外，现代汉语普通话中声母未必是辅音，韵母也未必是元音，实际上有些韵母都未必是一个音素，而是由两个或以上音素组成的。声母中有些甚至是元音，比如Y、W，这两个实际上都是元音，发音和“i、u”没有区别，而韵母中如“an、ang”等则是元音和辅音的组合。个人觉得，汉语拼音的开创者给汉语的学习带来了很大的方便，但后来在改革与完善等方面做得还不够。
人体的口腔结构可以做出来的发音动作可以有很多，人类用到的不止上百个，而每个种语言中的音素大约只有几十个，比如汉语普通话中有32几个，英语则是48个（不过汉语发音动作并不比英语更简单，因为除了轻声，每一个音节还有声调的变化，这就涉及到更多的喉部动作的配合），所以各种语言中，必定有没做过的发音动作，这就给不同语言之间的学习带来了某种困难，有相动作接近的相对还比较容易，动作差距大而且从没发过的音素，发起来肌肉力量和协调性对于这个动作可能都会有些吃力。而年龄越大练习起来越不容易，这是因为发音器官的功能比较固化，没有儿童容易调节，所以可能不会那么到位。但其实英文和汉语之间还没有发音动作相差特别大的音素。
