Як фізичне явище звук промови є результат коливання голосових зв'язок. Джерело коливальних рухів утворює безперервні пружні хвилі, які впливають на людське вухо, в результаті чого ми і сприймаємо звук. Властивості звуків вивчаються акустикою. При описі звуків мови розглядаються об'єктивні властивості коливальних рухів - їх частота, сила, і ті звукові відчуття, які виникають при сприйнятті звуку - гучність, тембр. Часто слухова оцінка властивостей звуку не збігається з його об'єктивними характеристиками.
Висота звуку залежить від частоти коливань в одиницю часу: чим більше число коливань, тим вище звук; чим менше коливань, тим звук нижче. Висота звуку визначається в герцах. Для сприйняття звуку важлива не абсолютна, а відносна частота. При порівнянні звуку з частотою коливань в 10 000 ГЦ зі звуком в 1 000Гц перший оцінюватиме як вищий, але не в десять разів, а всього лише в 3 рази. Висота звуку залежить також від масивності голосових зв'язок - їх довжини і товщини. У жінок зв'язки тонше і коротше, тому жіночі голоси зазвичай вище, ніж чоловічі.
Сила звуку визначається амплітудою (розмахом) коливання голосових зв'язок. Чим більше відхилення тіла, що коливається від вихідної точки, тим інтенсивніше звук. Залежно від амплітуди змінюється тиск звукової хвилі на барабанні перетинки. Силу звуку в акустиці прийнято вимірювати в децибелах (дБ).
Сила звуку залежить і від обсягу резонуючій порожнини.
З точки зору слухача сила сприймається як гучність: збільшення звукового тиску призводить до збільшення гучності. Між силою і гучністю немає прямої залежності. Звуки рівні за силою, але з різною висотою сприймаються по-різному. Так, звуки з частотою до 3000Гц сприймаються як більш гучні.
Звуки української мови розрізняються за часом свого звучання. Загальна тривалість звучання вимірюють в тисячних частках секунди - мс. По довготі звучання розрізняють ударні і ненаголошені голосні звуки. Ненаголошені голосні першого і другого предударного складу також різні за часом. Тривалість проривних вибухових приголосних практично дорівнює нулю.
Фонетичним паспортом людини називають тембр звуку. Тембр звуку створюється шляхом накладення на основний тон, що виникає в результаті ритмічних коливань голосових зв'язок, обертонів, які є результатом коливань окремих частин звучить тіла. Частота коливань обертонів завжди в кратне число вище частоти коливань основного тону, а сила слабкіше, ніж вище висота. Резонатори можуть змінювати співвідношення тонів і обертонів, що відбивається на тембровом малюнку звуку.
З розвитком електроакустичної (в 1920-1930 рр.), А потім (в середині 60-х рр.) - комп'ютерної (електронної) техніки стало можливим більш детальне вивчення акустичних характеристик звуку мови.