Длительный путь овладения ребенком произносительной системой обусловлен сложностью самого материала — звуков речи, которые он должен научиться воспринимать и воспроизводить.

При восприятии речи ребенок сталкивается с многообразием звучаний в ее потоке: фонемы в потоке речи изменчивы. Он слышит множество вариантов звуков, которые, сливаясь в слоговые последовательности, образуют непрерывные акустические компоненты. Ему нужно извлечь из них фонему, при этом отвлечься от всех вариантов звучания одной и той же фонемы и опознать ее по тем постоянным (инвариантным) различительным признакам, по которым одна (как единица языка) противопоставлена другой. Если ребенок не научится этого делать, он не сможет отличить одно слово от другого и не сможет узнать его как тождественное. В процессе речевого развития у ребенка вырабатывается фонематический слух, так как без него, по выражению Н. И. Жинкина, невозможна генерация речи. Фонематический слух осуществляет операции различения и узнавания фонем, составляющих звуковую оболочку слова. Он формируется у ребенка в процессе речевого развития в первую очередь. Развивается и фонетический слух, который осуществляет «слежение за непрерывным потоком слогов». Поскольку фонемы реализуются в произносительных вариантах — звуках (аллофонах), важно, чтобы эти звуки произносились нормированно, т. е. в общепринятых, привычных реализациях, иначе их трудно опознавать слушающим. Непривычное для данного языка произношение оценивается фонетическим слухом как неправильное. Фонематический и фонетический слух (они совместно составляют речевой слух) осуществляют не только прием и оценку чужой речи, но к контроль за собственной речью. Речевой слух является важнейшим стимулом формирования нормированного произношения.

В ходе развития речи образуются системно управляемые слуходвигательные образования, которые и являются реальными, материальными знаками языка. Для их актуализации необходимо существование артикулярной базы и умение образовывать слоги. Н. И. Жинкин определяет артикуляторную базу как «комплекс умений, приводящих органы артикуляции в позиции, при которых для данного языка вырабатывается нормативный звук».