首先，元音和辅音是音素的两大类，地球上射箭所有的语音都有元音和辅音。那么音素是什么呢？
音素是语音中最小的单位。
这个定义可能有些模糊，从生理上来说，一个语音的最小单位就是一个发音动作。元音的发音动作比较简单，辅音的发音动作相对复杂。
元音是在发音过程中由气流通过口腔而不受阻碍发出的音。辅音是气流在口腔或咽头受到阻碍而形成的音。
不受阻碍只要各发音器官保持正确的位置就可以了，但如果想对气流产生阻碍，就需要舌、腭、咽、齿、唇……等发音器官进行相对复杂的动作了，比如g是辅音，是舌根音，需要舌根与软腭的接触对气流造成阻碍，而且不是造成阻碍后停在那里，而是阻碍后放开再让气流冲出去。
一般辅音对肌肉力量和协调性的要求相对高一些，发音实际上是很精细的动作，因此新生儿一般从开始发音到能发出准确的音需要很长时间的学习和练习才能做到，对比手指抓握等精细动作，发音还要难以掌握得多，学会说话也许是我们生命中第一件特别困难的事，只是我们可能不记得小时候说话的难度了，那时我们还形成记忆。
既然发音这件这么困难的事，我们为什么要发明这么困难的东西呢？
这里先引入语素这个概念——
语素是最小的语音、语义结体，是最小的有意义的语言单位。
在英文中，一个语素一般就是一个单词，而在汉语中，一般一个字就可是一个语素，当然也会有例外，如某些双音节语素和多音节语素，如一“琵琶”、“忐忑”、“玲珑”等，这些词中单个字拿出来大多没有意义，或者这些词组合到一起只表达一个特定的意义，不能再分了，也包括一些外来语，如“沙发”，虽然“沙”和“发”单拿出来是有意义的，但组合到一起的这个外来语，和这两个字没什么关系，只用了他们的音而已。
实际上汉语特别是古汉语，一般一个字，即一个音节就对应一个语素，大约可以这样说，汉语中的“字”实际上对应的是英文中的单词，而汉语中的词则多对应的是英文中的词组或短语。当然，现代汉语和古汉语还是有很大区别的，从综合语特性明显，变成更实用的分析语，这里就不多介绍了。
回到主题，语素对应的是单音节或多音节的组合，汉语对应单音节的多，英文则是多音节比较普遍。
音节是语音中最自然的结构单位。
这个定义也不算直观，我们大约可以说音节是可以分辨区别的语音单位，一般情况下，元音可以自己构成一个音节，也可以两个元音组成一个音节，比如拼音“a”可以对应语素“啊”，“ao”可以对应语素“熬”等，但辅音之间很难互相组成音节，而且大多数音节，大多是放在元音前面与元音“相拼”或放在元音后面做后缀，比如汉语拼音中的“ba”可以对应语素“八”，“an”可以对应语素“安”。
可见音素越多，对应的音节也就越丰富，对应的语素也可以更丰富，有利于表达更丰富的意思，辅音这些复杂的发音动作的发明肯定是居功至伟的，人类进化中语言起到的作用不可忽视，是给人类带来文明的主要动力，非常可能没有之一，所以我们发明这么困难的语音，回报也是相当丰厚的，我们把声波变成语音，成为互相沟通交流的工具，大大方便了信息的传递。
声母和韵母就不用重新解释了，简单说，声母大部分都是辅音，但也有例外，比如W和Y就属于半元音，和韵母中u和i的发音相同。而韵母除了元音或元音之间的组合，还有很大一部分是元音和辅音的组合，如“an”、“ang”等。
汉语拼音实际上是简单化与实用音标，主要适用于汉语。实际上汉语有英语中没有的音素，英语中也有汉语中没有的音素，不同语言之间演化和发展都是有所区别的。
