El pinyin chino se compone de tres partes: consonante inicial (声母), vocal (韵母) y tono. Una sílaba suele formarse con una inicial seguida de una final y luego se marca el tono. Cuando no hay inicial, se puede usar una inicial nula; la pronunciación real empieza por la vocal. Al pronunciar las sílabas, deben ser fluidas; no se deben pronunciar la inicial y la final por separado.

El mandarín tiene 21 consonantes iniciales comunes. Las consonantes iniciales son las consonantes que comienzan la sílaba y determinan la forma de la boca y el flujo de aire al inicio de la pronunciación. Dominar las consonantes iniciales ayuda a distinguir sonidos cercanos. Al pronunciar la inicial, preste atención a la sonoridad y a la diferencia entre aspiración y no aspiración.

El mandarín tiene vocales simples básicas y vocales compuestas. Las vocales son el núcleo de la sílaba y determinan la mayor sonoridad de la sílaba. Las vocales simples deben estar bien articuladas, las vocales compuestas deben transitar suavemente. Las vocales nasales al final deben mantener la nasalidad y no convertirse en una nueva sílaba.

Las vocales simples son seis: a, o, e, i, u y ü; son la base del pinyin. Cada vocal simple tiene una forma de la boca y un lugar de articulación fijos. Practicar las vocales simples ayuda a mejorar la precisión de la pronunciación global. En las palabras, mantener la pureza de la vocal.

Las vocales compuestas están formadas por dos o tres vocales; dentro de una misma sílaba, la transición entre vocales debe ser suave. Al pronunciar vocales compuestas, la primera vocal debe ser clara al inicio, y las vocales siguientes deben conectarse de forma fluida. No debe haber pausa en medio ni alargar una vocal. Al leer, preste atención al cambio en el timbre general.

Las vocales nasales terminan en n o ng; la diferencia está en la posición de la lengua y la apertura de la boca. Las que terminan en n (an, en, in, un, ün) tienen la punta de la lengua contra las encías y el aire pasa por la nariz. Las que terminan en ng (ang, eng, ing, ong) terminan con ng; la raíz de la lengua se eleva y la cavidad bucal está relativamente más abierta. Al pronunciar nasales, haz que la voz tenga nasalidad y no la tragues.

La lectura fonética consiste en unir rápidamente la inicial y la vocal para formar una sílaba completa. Al leer, la inicial se inicia de forma breve, la vocal continúa y se extiende. Cuando j, q, x se combinan con ü, el timbre de ü se conserva, pero la escritura puede cambiar a u. Las sílabas de lectura integral requieren memoria global y la pronunciación no se divide.

El mandarín tiene cuatro tonos y una sílaba neutral. El tono cambia la curva de altura de la sílaba y a menudo cambia el significado de la palabra. Los tonos de pinyin se marcan con ā, á, ǎ, à en la vocal principal. Al leer sílabas, la altura tonal y la entonación deben ser estables; no cambies de tono a mitad.

En pinyin, el tono se marca sobre la vocal principal. Se marca preferentemente en a, o y e; i, u, ü solo se marcan cuando no hay a, o o e. En iu y ui, el tono se marca en la i y la u respectivamente. Marcar correctamente el tono ayuda a la pronunciación y a la escritura.

El tono ligero no se marca con tono; su tono es más corto y su volumen es más bajo. Suele aparecer al final de la palabra o como un componente adicional, para distinguir gramática o vocabulario. Al pronunciarlo, no se alarga ni variar intencionalmente la altura. Mantiene claridad, pero es breve.

El mandarín tiene varios pares de sonidos que suelen confundirse; las diferencias se basan principalmente en la articulación y la aspiración. zh/ch/sh vs z/c/s: los primeros son retroflejos, los segundos planos; ch y c son aspirados, pero la posición de la lengua difiere. j/q/x frente a zh/ch/sh: j/q/x no son retroflejos, la lengua está más adelantada. Diferenciar estos sonidos mejora la claridad auditiva y oral.