Формирование произносительной стороны речи — сложный процесс, в ходе которого ребенок учится воспринимать обращенную к нему звучащую речь и управлять своими речевыми органами для ее воспроизводства. Произносительная сторона, как и вся речь, формируется у ребенка в процессе коммуникации, поэтому ограничение речевого общения приводит к тому, что произношение формируется с задержками.

Звуки речи — это особые сложные образования, присущие только человеку. Они вырабатываются у ребенка в течение нескольких лет после рождения. В этот процесс включены сложные мозговые системы и периферия (речевой аппарат), которые управляются центральной нервной системой. Вредности, ослабляющие ее, отрицательно сказываются на становлении произношения.

Произносительная система очень сложно организована. Овладение ею может осуществляться с отклонениями, в разные сроки, с различной степенью точности, соответствия, приближения к образцу, которым овладевает ребенок путем прилаживания к речи окружающих. На этом пути прилаживания каждый ребенок встречается с затруднениями, которые у большинства детей постепенно преодолеваются. Но у некоторых эти затруднения остаются. Часто следствием их оказывается рассогласованность между механизмами слухового контроля и приема, с одной стороны, и управления речевыми движениями — с другой.

При нормальном речевом развитии ребенок не сразу овладевает нормативным произношением. «Первоначально, — пишет Н. И. Жинкин, — центральное управление двигательного анализатора не способно подать такой верный импульс на органы речи, который вызвал бы артикуляцию и звук, соответствующий нормам контролирующего слуха. Первые попытки управления речевыми органами будут неточными, грубыми, недифференцированными. Слуховой контроль будет их отклонять. Но управление речевыми органами никогда не наладится, если сами они не будут сообщать в управляющий центр, что ими делается, когда воспроизводится ошибочный, не принимаемый слухом звук, Такой обратный посыл импульсов от речевых органов и происходит. На основании их центральное управление может перестроить ошибочный посыл в более точный и принимаемый слуховым контролем».