Før vi begynner å lære de første stavelsene, kan det være greit å vite litt om hvordan man uttaler de forskjellige stavelsene på kinesisk.

Lydsystemet til standard mandarin er det enkleste blant de kinesiske språkene. Pinyin (拼音 pīnyīn = «å sette sammen lyder») er det offisielle transkripsjonssystemet for standard kinesisk. Noen bokstaver representerer her litt andre lyder enn de gjør på norsk, og disse skal vi gå gjennom nedenfor.

Først skal vi se på den grunnleggende enheten man forholder seg til i kinesisk uttale, nemlig stavelsen. En stavelse kan bestå av ulike kombinasjoner av vokaler og konsonanter, men det finnes restriksjoner for hvilke kombinasjoner som er mulige. Framstillingen under viser hvilke elementer som finnes, men ikke alle disse kan kombineres. En kinesisk stavelse er oppbygd slik:

Under vises de konsonantene som har en litt annen uttale enn vi er vant til på norsk*. Andre konsonanter som ikke står her, uttales mer eller mindre på samme måte som på norsk:

ZH uttales som engelsk j i «John»
CH uttales som engelsk ch i «charcoal»
Z uttales omtrent som ds i navnet «Mads» (ikke aspirert; uten luftstøt)
C uttales omtrent som ts i «tse-tseflue» (aspirert; med kraftig luftstøt)
J uttales som dj i «Django»
Q uttales som tj i «tja»
SH uttales som sj i «sjokolade» (NB! Ikke som kj i for eksempel «kjole»!)
X uttales som kj i «kjole»

C og Q er såkalte aspirerte lyder, som betyr at man legger til et kraftig luftstøt når man uttaler dem. Man skal kunne kjenne luftstrømmen tydelig hvis man holder hånden foran munnen.

Gruppene ZH, CH, SH og J, Q og X er også spesielle. I de første tre krølles tungen bakover i munnen (= retroflekse), mens i de siste tre ligger tungen flatt og berører så vidt ganen rett bak de øvre fortennene (= palatale). Sammenlign lydene i sjokolade og kjole.

Vokaler på kinesisk er relativt enkle å forholde seg til, men det finnes noen punkter man må være oppmerksom på.

På grunn av pinyin-systemets ortografi (rettskrivning) er det noen skriveregler man må være oppmerksom på (for eksempel at pinyin A uttales som norsk e mellom pinyin I / Ü og N, men ellers som en vanlig norsk a), men dette er konsekvent og med litt øving byr det ikke på store problemer.

Bokstaven Y er litt spesiell fordi den uttales som den norske konsonanten j (som i ja) i pinyin, selv om den er en vokal.

Kinesisk er et tonespråk, og det betyr at stavelser også har en integrert tone i tillegg til sammensetningen av vokaler og konsonanter. Tilsynelatende like stavelser kan ha forskjellig betydning avhengig av hvilken tone stavelsen uttales med, selv om kombinasjonen av konsonanter og vokaler er den samme. Dette er viktig å være klar over! Tonemerkene (i diagrammet øverst) plasseres alltid over hovedvokalen i en stavelse. Hovedvokalen finner du ved å følge rekken under:

Dersom en stavelse har flere vokaler, tar hovedvokalen presedens etter rekkefølgen over, for eksempel liáo. Det eneste unntaket er når u og i står sammen, altså enten ui eller iu. I slike tilfeller kommer tonemerket alltid på den siste bokstaven.

Toner på kinesisk er relative. Det spiller ingen rolle om man har høy eller lav stemme, fordi det er konturen (formen) tonen har som er avgjørende. På standard mandarin finnes det bare fire toner (og noen stavelser i enkelte ord er toneløse).

1. tone: begynner på toppen av normalt stemmeleie og holdes jevnt og relativt lenge.
2. tone: begynner på midten av stemmeleiet og stiger relativt raskt opp til toppen.
3. tone: begynner på midten og synker først til bunns før den stiger opp til litt under toppen.
4. tone: faller raskt fra toppen og lander helt i bunnen av det normale stemmeleiet.

Toner må innøves praktisk og over tid. Framstillingen her er bare en innledende beskrivelse. Tonene skal være tydelige og skilles markant fra hverandre. Tonen i noen stavelser endrer seg til en annen tone når den kombineres med visse andre toner/ord. Slike tilfeller er svært begrensede og nevnes utover i leksjonene.

*Noen av eksempelordene er basert på Bøckman (2006). Sammenligninger med norsk er omtrentlige.