首先，漢語是有元音和輔音的，一音元音或一個輔音是一個音素，對應的是一個發音動作，元音輔音以及音素，這些詞彙都適合於人類的任何一種語言。
也許每個人種，不同性別，甚至每個人類個體的發音器官都會有些差異，但在基本結構上還是大體相同的，元音、輔音、音素、音節這些概念都是基於發音原理定義的。
發音是一種動作，音素是語音的最小單位，對應的是一個發音動作，要想做出這些動作，首先要有做出這些動作的意識，也就是說，大腦要下達發音的指令，再通過神經系統把指令傳遞給相關部分部位的肌肉。
其實發音動作不僅僅是舌、顎、咽等部位的動作，還需要氣流帶動聲帶震動或與相關部位形成阻塞，再通過口鼻腔共鳴發聲，這也需要呼吸系統的配合。同時人們想要學會說話，要就能聽得見，否則沒有學習的對象，而如果只是簡單模仿發音動作，想要發得標準幾乎是不可能的，這就需要聽覺系統的較準和反覆的學習，因為發音是個非常精細的動作。
元音和輔音的最大差別就是氣流通過口腔是否受到阻礙，漢語中元音都是需要聲帶振動的，但在某些語言中發元音時聲帶也可以不振動，輔音也是一樣，聲帶振動的叫濁音，聲帶不振動的叫清音。現代漢語普通話中實際上嚴格要求清濁之分，但實際上如m、n在相拼時有明顯的聲帶振動，而很多輔音在實際對話的語素中是無法表現聲帶振動的，按理說應屬於清輔音。但有人把送氣和不送氣作為清濁之分，個人覺得這是有問題的。因為清濁用來形容語音，在古漢語中就是用來區別聲帶是否振動的，送氣不送氣應該是用「全清、次清、全濁、次濁」等區分。
另外，現代漢語普通話中聲母未必是輔音，韻母也未必是元音，實際上有些韻母都未必是一個音素，而是由兩個或以上音素組成的。聲母中有些甚至是元音，比如Y、W，這兩個實際上都是元音，發音和「i、u」沒有區別，而韻母中如「an、ang」等則是元音和輔音的組合。個人覺得，漢語拼音的開創者給漢語的學習帶來了很大的方便，但後來在改革與完善等方面做得還不夠。
人體的口腔結構可以做出來的發音動作可以有很多，人類用到的不止上百個，而每個種語言中的音素大約只有幾十個，比如漢語普通話中有32幾個，英語則是48個（不過漢語發音動作並不比英語更簡單，因為除了輕聲，每一個音節還有聲調的變化，這就涉及到更多的喉部動作的配合），所以各種語言中，必定有沒做過的發音動作，這就給不同語言之間的學習帶來了某種困難，有相動作接近的相對還比較容易，動作差距大而且從沒發過的音素，發起來肌肉力量和協調性對於這個動作可能都會有些吃力。而年齡越大練習起來越不容易，這是因為發音器官的功能比較固化，沒有兒童容易調節，所以可能不會那麼到位。但其實英文和漢語之間還沒有發音動作相差特別大的音素。