简单地说，是由于物体的振动产生了波；波，通过一定的传播媒界（往往是空气，也可以是水或木头）到达我们的耳朵；然后再由我们的大脑解释所产生的。声音有三个基本的特性：音高、音量和音质。
我们常用赫兹（Hz）来描述频率。这是为了纪念十九世纪的物理学家Heinrich Rudolf Hertz而命名的。一赫兹表示每秒重复一次。音高是我们大脑对声音频率的主观感觉，频率越高就觉得声音越高；反之，频率越低就觉得声音越低。听力好的人（注：听力好的人往往是孩童，成年人会随着年龄的增加而听力衰退；当然，受过训练的人比没有受过训练的人听力要好）可以听到的频率范围是20Hz至20kHz，成年人一般只能听到17kHz甚至更低。高于20kHz的声音称为超声波（Ultrasound）；低于20Hz的声音称为亚声波（Infrasound），这些声音都是人类所听不到的。
理论上讲，声音的强度（即通常所说的音量）是由声波的振幅决定的。但是，由于音量这个概念，是声音通过我们大脑的解释所形成的，所以有很大的主观性。心里声学的研究表明，相同振幅但频率不同的两种声音，听起来可以有不同的音量水平。比如说，音较高的声音听起来往往比同振幅的音较低的声音响。我们常用分贝（dB）来描述声音的强度，这是为了纪念Alexander Graham Bell而命名的。分贝，是用对数来衡量的，每增加10dB可以让声音听起来响亮两倍。通常，我们的听力范围是可以从0dB至120dB（通常称作听阀或痛苦阀）。
通常，我们可以轻而易举的分辨出钢琴与小提琴的声音，即使它们的音高和音量都一样。这说明，声音除了音高和音量，还有其他特性。在下图中，我们可以看到，两个声波具有相同的音高，即频率相同；且具有相同的振幅，即音量一样，但声波的波形却不一样。正是这波形的“样子”决定了不同的乐器有不同的音质。这里举所的，是两种最简单的波形（正弦波和锯齿波），而实际上的乐器声音往往复杂得多。举例来说，当你拨弄一根尼龙吉它的琴弦，整根琴弦将会作振动（严格地说是一种阻尼振动），显然这种振动有一定的周期性（用肉眼即可粗略观察到）并有一定的音高（频率）。照理说，该琴弦所产生的波形应该是形状比较简单、振幅逐渐减小的（因为能量传递到空气中去）样子。而事实上并非如此。物理声学告诉我们，当弦在作一个单位的振动时，在弦长的二分之一、三分之一、四分之一、五分之一等位置同样也产生振动，而这些振动的振幅很小，肉眼很难觉察得到。所以说，吉它的弦是由多种不同频率的简单的波形组成的，这些简单的波形叠加起来，便成了一条十分复杂的波形。由于整条弦的振动所产生的能量最大，所以，它的频率决定了整条琴弦所产生的声音的音高（而其他频率的振动所产生的能量，不足以引起我们的注意）。这个音我们称之为基音。其他振动所产生的音称为泛音或和声，它们是基音的整数倍。再深入一点说，上面所说的“简单波形”，实际上就是正弦波形。而不同频率不同振幅的正弦波形结合在一起，便形成了某种乐器所特有的音色。所以说，音质是每种乐器所产生的独特和声内容的结果。在这里，我们不但可以知道，复杂的波形为什么具有不规则的形状。而且，我们可以知道，一个复杂的波形可以分解为若干个简单的正弦波形。这样一过程，我们称之为Fourier分析。它以法国数学家Jean Baptiste Joseph Fourier命名。当然，该过程是经过严格证明的。顺便提一下，关于泛音是基音的整数倍这一结论，在物理上也是有严格证明的（我们所举的例子只是为了方便大家理解，而并非证明）。理论上讲，泛音可以向上无限延伸；离基音越远能量越小。
最后，还想简单说一下人耳对声音定位的问题。这个问题涉及到有关心理声学（Psycho-acoustics）方面的知识。心理声学是研究人们如何理解声音的一门科学。因为人脑毕竟不是什么精确的测量仪器，声音在人脑中的反映会与真实情况有所差异。利用这些人脑的错觉往往可以制作出一些令人惊讶的效果来。像三维音响（3D Audio）便是其中的一个应用。不仅可以像立体声（Stereo）那样模拟出左右不同深度的声音，而且还能模拟出上下前后各种方向的深度。Creative的声霸卡就采用了类似的称作Qsound的增强定位音响效果，大家可以一听为快。
心理声学的研究表明，有四个因素决定我们是如何定位声音的。前两个因素是耳朵听到声音的时间和强度的差别，即对同一声源左右耳朵听到先后顺序和振幅的差别；第三个因素，是我们左右耳朵的外耳形状对于声源反射的不同；最后一个因素，是所谓“头部屏蔽（Head Shadowing）”现象，即其中一个耳朵由于头部的遮挡而听不到直接的声音，而只能从其反射波来感知。由于以上所有因素结合在一起，使我们能够确定出声音的位置。