首先，元音和輔音是音素的兩大類，地球上射箭所有的語音都有元音和輔音。那麼音素是什麼呢？
音素是語音中最小的單位。
這個定義可能有些模糊，從生理上來說，一個語音的最小單位就是一個發音動作。元音的發音動作比較簡單，輔音的發音動作相對複雜。
元音是在發音過程中由氣流通過口腔而不受阻礙發出的音。輔音是氣流在口腔或咽頭受到阻礙而形成的音。
不受阻礙只要各發音器官保持正確的位置就可以了，但如果想對氣流產生阻礙，就需要舌、顎、咽、齒、唇……等發音器官進行相對複雜的動作了，比如g是輔音，是舌根音，需要舌根與軟顎的接觸對氣流造成阻礙，而且不是造成阻礙後停在那裡，而是阻礙後放開再讓氣流衝出去。
一般輔音對肌肉力量和協調性的要求相對高一些，發音實際上是很精細的動作，因此新生兒一般從開始發音到能發出準確的音需要很長時間的學習和練習才能做到，對比手指抓握等精細動作，發音還要難以掌握得多，學會說話也許是我們生命中第一件特別困難的事，只是我們可能不記得小時候說話的難度了，那時我們還形成記憶。
既然發音這件這麼困難的事，我們為什麼要發明這麼困難的東西呢？
這裡先引入語素這個概念——
語素是最小的語音、語義結體，是最小的有意義的語言單位。
在英文中，一個語素一般就是一個單詞，而在漢語中，一般一個字就可是一個語素，當然也會有例外，如某些雙音節語素和多音節語素，如一「琵琶」、「忐忑」、「玲瓏」等，這些詞中單個字拿出來大多沒有意義，或者這些詞組合到一起只表達一個特定的意義，不能再分了，也包括一些外來語，如「沙發」，雖然「沙」和「發」單拿出來是有意義的，但組合到一起的這個外來語，和這兩個字沒什麼關係，只用了他們的音而已。
實際上漢語特別是古漢語，一般一個字，即一個音節就對應一個語素，大約可以這樣說，漢語中的「字」實際上對應的是英文中的單詞，而漢語中的詞則多對應的是英文中的詞組或短語。當然，現代漢語和古漢語還是有很大區別的，從綜合語特性明顯，變成更實用的分析語，這裡就不多介紹了。
回到主題，語素對應的是單音節或多音節的組合，漢語對應單音節的多，英文則是多音節比較普遍。
音節是語音中最自然的結構單位。
這個定義也不算直觀，我們大約可以說音節是可以分辨區別的語音單位，一般情況下，元音可以自己構成一個音節，也可以兩個元音組成一個音節，比如拼音「a」可以對應語素「啊」，「ao」可以對應語素「熬」等，但輔音之間很難互相組成音節，而且大多數音節，大多是放在元音前面與元音「相拼」或放在元音後面做後綴，比如漢語拼音中的「ba」可以對應語素「八」，「an」可以對應語素「安」。
可見音素越多，對應的音節也就越豐富，對應的語素也可以更豐富，有利於表達更豐富的意思，輔音這些複雜的發音動作的發明肯定是居功至偉的，人類進化中語言起到的作用不可忽視，是給人類帶來文明的主要動力，非常可能沒有之一，所以我們發明這麼困難的語音，回報也是相當豐厚的，我們把聲波變成語音，成為互相溝通交流的工具，大大方便了信息的傳遞。
聲母和韻母就不用重新解釋了，簡單說，聲母大部分都是輔音，但也有例外，比如W和Y就屬於半元音，和韻母中u和i的發音相同。而韻母除了元音或元音之間的組合，還有很大一部分是元音和輔音的組合，如「an」、「ang」等。
漢語拼音實際上是簡單化與實用音標，主要適用於漢語。實際上漢語有英語中沒有的音素，英語中也有漢語中沒有的音素，不同語言之間演化和發展都是有所區別的。