El pinyin chino está formado por consonante inicial, vocal final y tono. Un sílabo suele ser “consonante inicial + vocal final + tono”. Cuando no hay consonante inicial, se puede usar una inicial nula (cero inicial); en la práctica, la pronunciación comienza con la vocal final. El pinyin, como alfabeto, no es lo mismo que los caracteres chinos; solo indica la pronunciación.

La consonante inicial es la consonante al inicio de una sílaba; en pinyin se ubica al frente. El mandarín tiene 21 consonantes iniciales comunes, incluyendo consonantes oclusivas, fricativas, nasales y lateral. La consonante inicial determina la parte inicial de la sílaba, pero debe combinarse con la vocal final para formar la sílaba completa.

Las consonantes iniciales comunes pueden clasificarse por su modo de articulación. Las oclusivas (爆破音) incluyen b, p, d, t, g, k; aparecen en pares aspiradas y no aspiradas (送气 y 不送气). Las fricativas y las africadas (擦音 y 塞擦音) incluyen z, c, s, zh, ch, sh; su posición y la forma de la lengua difieren. Las nasales son m, n, ng; la lateral es l.

B, P, M, F, D, T, N, L, G, K, H son consonantes iniciales de alta frecuencia en mandarín. B, D, G son no aspiradas; P, T, K son aspiradas; una distinción clara ayuda a diferenciar el significado de las palabras. M, N se diferencian fácilmente de la inicial nula y de ng; presta atención a la posición de la boca y al pasaje nasal.

La vocal final es la parte vocal principal de una sílaba, y normalmente soporta las variaciones de tono de la sílaba. El mandarín tiene tres tipos de vocales finales: simples, compuestas y nasales finales. Las vocales finales pueden formar una sílaba por sí mismas o pueden combinarse con una consonante inicial.

Las vocales simples son a, o, e, i, u, ü. Su forma de la boca es estable y el timbre es claro. La boca para 'a' es la más abierta; para 'o' es la siguiente; la de 'e' es plana; 'i' con la boca expandida; 'u' con los labios redondeados; 'ü' con la lengua alta y los labios tensos. Las vocales simples constituyen la base de la lectura y requieren práctica repetida.

Las vocales finales compuestas son vocales en las que la boca y la posición de la lengua cambian dentro de una sílaba. Las compuestas comunes en mandarín son ai, ei, ui, ao, ou, iu; al pronunciarlas, deben hacerse transiciones suaves y no separarlas en dos sonidos distintos.

Las vocales nasales terminan en un sonido nasal, y se clasifican en dos: -n y -ng. El final -n mantiene la apertura de la cavidad bucal relativamente grande; el final -ng eleva la base de la lengua, haciendo más evidente el sonido nasal. Diferenciar entre -n y -ng es importante para distinguir el significado.

La inicial nula se refiere a la escritura pinyin en la que no hay consonante inicial; en la pronunciación, se comienza directamente con la vocal final. Es común en sílabas que comienzan con a, o, e, i, u, ü; al leer, no se debe agregar consonante adicional al inicio. Al escribir, aún se indica como “vocal final + tono”; la pronunciación permanece limpia.

La escritura del pinyin se fusiona alfabéticamente y se marca el tono dentro de cada sílaba. Cuando 'ü' aparece junto a j, q, x o y, normalmente se escribe como 'u', pero su pronunciación sigue siendo 'ü'. Cuando i y u se usan juntos, a veces se simplifican como 'iu' o 'ui', siguiendo una ortografía fija.

Al leer la inicial y la vocal final, primero se determina la forma de la boca para la inicial y luego se transita suavemente hacia la vocal final. En la lectura, se mantiene estable la calidad de la vocal final; no se debe alargar ni cortar artificialmente. Las palabras con varias sílabas se leen en secuencia, cada sílaba debe leerse de forma completa.