一個悖論：語音既是使語言趨同的因素，又是使不同語言相互區(qū)別的因素。因為語音的共性是不同語言的共性的一個方面，而語音方面的差異也形成不同語言之間差異的一部分。
不同語言語音的共性，首先是發(fā)音器官和發(fā)音部位相同。
語言的基本材料是人聲。人體能夠發(fā)出聲音的部位及方式原不限于口、鼻、咽腔，但其他部位發(fā)出的聲音或偏于單調(diào)，或不夠宏亮、遠傳，有的可發(fā)聲部位如雙手一般還會忙于其他更重要的工作而無暇發(fā)聲。
而口腔等處，利用呼吸的氣流發(fā)出的聲音，一則可以有豐富的變化，二則易傳輸?shù)竭m當?shù)木嚯x，三則所消耗的體能甚為節(jié)省，四則不影響工作，于是乎由此發(fā)出的人聲就當仁不讓地成為語言基本材料的必然選擇。
當然這并不排除，語言可以偶爾利用其他材料與形式，如擊掌、拍案、捶胸、頓足、打響指之類，或全然不靠聲音而只靠視覺形態(tài)傳遞信息的手語、旗語之類。
不同國度人們的生理結(jié)構(gòu)差異非常小，這就決定了使用相同的發(fā)音器官和發(fā)音部位，即口、鼻、咽腔，從而所發(fā)之音本質(zhì)上相同，音素可以相互識別。即使不懂“古（的）毛寧”什么意思，也一樣能聽（分辨）出這句話有哪幾個音素、怎么排列的。這就自然形成一個共同的基礎(chǔ)。
初民之創(chuàng)造語言應(yīng)有一個由簡到繁的過程，由含糊而逐漸清晰，由無一定之規(guī)到逐漸建立語法、語音規(guī)則，對此魯迅先生有過表述。單個語音單位（音素、音位等）及其組合與語義的對應(yīng)，應(yīng)當是個漫長的過程，是約定俗成的。
同時也有這種情況：在形成不同語言的不同區(qū)域，人們卻不約而同地選擇了某些相同或相近似的語音單位，來表達相同或相近似的語義。在擬聲詞、感嘆詞、對家庭成員的稱呼語等類詞匯的發(fā)音中，更容易找到不同語言的相似之處，可以列表比較，作者在此省略。
其次，發(fā)音方法基本相同。只有南部非洲幾國的幾種語言有倒吸氣音，比較特別。
第三，不同語言中大部分音素同樣出現(xiàn)在其他語言中。母語中所沒有而其他語言中有的少量音素，通過學習也能掌握其發(fā)音要領(lǐng)。
用五音、七音等可以構(gòu)成繞梁三日的音樂，一般來說，構(gòu)成各種單個語言的語音音素分別不到50個，所有可以辨別出的語音音素總共不超過一二百個，但它們的組合可以表達任何事物。一般，一語言的全部音素中，超過一半與另一語言的音素重合。
綜合以上情況看，語音和文字一樣，也在一定程度上是不同語言之間的紐帶和橋梁，不同語言的語音，其自然屬性均為氣流自口、鼻、咽腔流出（或吸入）時與這些發(fā)音器官摩擦發(fā)出的聲音，這就決定了不同語言的語音沒有本質(zhì)的不同，不同語言在這一點上的“純潔性”（毋寧說就相當于特殊性、差異）其實少于共性。
