Lydsystemet til standard mandarin er det enklaste blant dei kinesiske språka. Pinyin (拼音 pīnyīn = «å setje saman lydar») er det offisielle transkripsjonssystemet for standard kinesisk. Nokre bokstavar representerer her litt andre lydar enn dei gjer på norsk, og desse skal vi gå gjennom nedanfor.

Først skal vi sjå på den grunnleggjande eininga ein må ta omsyn til i kinesisk uttale, nemleg stavinga. Ei staving kan bestå av ulike kombinasjonar av vokalar og konsonantar, men det finst restriksjonar for kva kombinasjonar som er moglege. Framstillinga under viser kva element som finst, men det er ikkje alle desse som kan kombinerast. Ei kinesisk staving er bygd opp slik:

Under viser vi dei konsonantane som har ein litt annan uttale enn vi er vande med på norsk*. Andre konsonantar som ikkje står her, blir uttalte meir eller mindre på same måte som på norsk:

ZH blir uttalt som engelsk j i «John»
CH blir uttalt som engelsk ch i «charcoal»
Z blir uttalt omtrent som ds i namnet «Mads» (ikkje aspirert; utan luftstøt)
C blir uttalt omtrent som ts i «tse-tseflue» (aspirert; med kraftig luftstøyt)
J blir uttalt som dj i «Django»
Q blir uttalt som tj i «tja»
SH blir uttalt som sj i «sjokolade» (NB! Ikkje som kj i for eksempel «kjole»!)
X blir uttalt som kj i «kjole»

C og Q er såkalla aspirerte lydar, som inneber at ein legg til eit kraftig luftstøyt når ein uttaler dei. Ein skal kunne kjenne luftstraumen tydeleg viss ein held handa framfor munnen.

Gruppene ZH, CH, SH og J, Q og X er òg spesielle. I dei første tre krøllar ein tunga bakover i munnen (= retroflekse), mens i dei siste tre ligg tunga flatt og rører så vidt ganen rett bak dei øvre framtennene (= palatale). Samanlikn lydane i sjokolade og kjole.

Vokalar på kinesisk er relativt enkle å meistre, men det finst nokre punkt ein må vere merksam på.

PINYIN Norsk
A = a men som norsk e mellom pinyin I / Ü og N
(lyden Ü skal skrivast som vanleg U etter J, Q, X og Y)
O = å men tidvis meir som norsk o
E = ø men som norsk e etter pinyin I og Y
I = i men stum etter ZH, CH, SH og Z, C og S
U = o men som norsk y etter pinyin J, Q, X og Y
(der han eigentleg representerer lyden under, Ü)
Ü = y men skal skrivast utan prikkar etter J, Q, X og Y

På grunn av ortografien (rettskrivinga) i pinyin-systemet er det nokre skrivereglar ein må vere merksam på (for eksempel at pinyin A blir uttalt som norsk e mellom pinyin I / Ü og N, men elles som ein vanleg norsk a). Men dette er konsekvent og med litt øving byr det ikkje på store problem.

Bokstaven Y er litt spesiell fordi han blir uttalt som den norske konsonanten j (som i ja) i pinyin, sjølv om han er ein vokal.

Tonar

Kinesisk er eit tonespråk, og det vil seie at stavingar òg har ein integrert tone i tillegg til samansetninga av vokalar og konsonantar. Tilsynelatande like stavingar kan ha forskjellig tyding avhengig av kva tone stavinga blir uttalt med, sjølv om kombinasjonen av konsonantar og vokalar er den same. Dette er det viktig å vere klar over! Tonemerka (i diagrammet øvst) skal alltid plasserast over hovudvokalen i ei staving. Hovudvokalen finn du ved å følgje rekkja under:

A O	E I	U Ü
1. 2.	3. 4.	5. 6.

Dersom ei staving har fleire vokalar, tek hovudvokalen presedens etter rekkjefølgja over, for eksempel liáo. Det einaste unnataket er når u og i står saman, altså anten ui eller iu. I slike tilfelle kjem tonemerket alltid på den siste bokstaven.

Tonar på kinesisk er relative. Det speler inga rolle om ein har høg eller låg stemme, fordi det er konturen (forma) tonen har som er avgjerande. På standard mandarin finst det berre fire tonar (og enkelte stavingar i enkelte ord er tonelause).

1. tone: startar på toppen av normalt stemmeleie og skal haldast jamt og relativt lenge.
2. tone: startar på midten av stemmeleiet og stig relativt raskt opp til toppen.
3. tone: startar på midten og fell først til botn før han stig opp til litt under toppen.
4. tone: fell raskt frå toppen og landar heilt i botnen av det normale stemmeleiet.

Tonar må øvast inn praktisk og over tid. Framstillinga her er berre ei innleiande forklaring. Tonane skal vere tydelege og skiljast markant frå kvarandre. Tonen i enkelte stavingar endrar seg til ein annan tone når han blir kombinert med visse andre tonar/ord. Det er ikkje mange slike tilfelle, og dei blir nemnde utover i leksjonane.

*Nokre av eksempelorda er basert på Bøckman (2006). Samanlikningar med norsk er omtrentlege.