از لحاظ آوایی، با کمی ساده‌سازی، آموختن یک زبان جدید را می‌توان متشکل از کسب چهار مهارت مختلف دانست. این چهار مهارت به کرات از سوی افراد با هم خلط می‌شوند، و این خلط موجب سوء تفاهم‌ها و تصمیم‌گیری‌های غلط زیادی در فرآیند زبان‌آموزی می‌شود. مهم‌ترین نکته در این زمینه این است که داشتن مهارت‌های اول و دوم نه فقط برای حرف زدن صحیح (speaking) که برای شنیدن درست زبان جدید (listening) هم لازم (و احتمالا کافی) هستند، و در نتیجه توجه بیشتری می‌طلبند. همچنین، ضروری است که توجه داشته باشیم که دو مهارت اول برای یک زبان‌آموز بزرگسال تقریبا همیشه قابل دسترسی‌اند در حالی که مهارت‌های سوم و چهارم ممکن است به کلی برای زبان‌آموزان بزرگسال دسترسی‌ناپذیر باشند (و به همین دلیل است که یک بزرگسال معمولا می‌تواند در شنیدن و فهم یک زبان خارجی به درجه اعلای توانایی برسد اما در تلفظ چنین اتفاقی به ندرت رخ می‌دهد). گاهی می‌شنویم که کسانی می‌گویند که مهم این است که زبان خارجی را «درست» تلفظ کنیم اما لازم نیست لهجه بومی‌مانند داشته باشیم. واقعا چنین جمله‌ای معنی دقیقی ندارد و چندان قابل دفاع نیست (چون تلفظ درست ذاتا یعنی تلفظ بومی‌مانند) اما به هر حال منظور کسانی که چنین چیزی می‌گویند تقریبا این است که توانایی‌های اول و دوم را به دست آوریم اما در بند توانایی‌های سوم و چهارم نباشیم. اما این چهار مهارت (که لزوما هم ترتیب زمانی ندارند) از این قرارند:

یک: تفکیک دادن صداهای متفاوت از هم. تقریبا هر کسی که زبان جدیدی می‌آموزد با صداهایی (یا ترکیب‌های صوتی‌ای) روبه‌رو می‌شود که برایش بیگانه‌اند. مغز ساده‌ساز بشر و نظام‌های آموزشی ضعیف دست به دست هم می‌دهند و کاری می‌کنند که زبان‌آموز صداهای جدید را مثل شبیه‌ترین صدای موجود در زبان خودش تحلیل می‌کند. فارسی‌زبانی که واژه انگلیسی ship را می‌شنود چون تلفظ حرف i در این کلمه برایش بیگانه است آن را درست مثل تلفظ ee در کلمه sheep تحلیل می‌کند. نخستین مهارت آوایی لازم در زبان‌آموزی همانا نجات از این وضعیت است. لازم به تاکید است که نجات از این وضعیت به معنای یادگیری تلفظ درست کلمه ship نیست، بلکه صرفا به این معناست که به وجود تفاوت بین این دو کلمه آگاه باشیم، گوشمان بتواند آنها را از هم تمییز دهد، و در تلفظ به ازای این دو از صداهای متفاوتی استفاده کنیم (هرچند ممکن است صداهایی که استفاده می‌کنیم با تلفظ گویشوران بومی فرق کند). نکته اصلی در این مهارت تلفظ درست نیست، بلکه آگاه بودن به وجود تفاوت‌هاست. به طور خلاصه (و البته ساده‌سازی‌شده)، برای کسب مهارت اول در گفتار لازم است که تعداد صداهای متفاوتی که تولید می‌کنیم با تعداد صداهای موجود در زبان مقصد یکسان باشد (یعنی مثلا مانند بیشتر فارسی‌زبان‌ها موقع انگلیسی حرف زدن چهارده مصوت انگلیسی را با هفت هشت صدا جایگزین نکنیم).
گفتنی‌ست که این مهارت صرفا محدود به درک و تلفظ درست تک‌تک صداهای مجزای یک زبان نمی‌شود، بلکه ترکیب‌های آوایی و پدیده‌هایی مثل تکیه (stress) را هم در بر می‌گیرد. نمونه قابل توجه از ترکیب‌های آوایی‌ای که فارسی‌زبانان در انگلیسی با آن مشکل دارند هجاهایی است که با بیش از یک صامت شروع می‌شوند. ذهن فارسی‌زبان green را به شکل gereen می‌شنود چون به شروع هجا با دو صامت (مثلا gr) عادت ندارد. این تحلیل نادرست در شنیدار هم اثر می‌گذارد و فارسی‌زبان معمولا تفاوت تلفظ hungry (گرسنه) با Hungary (مجارستان) را متوجه نمی‌شود چون هجای /gri/ را هم مثل /gəri/ می‌شنود.
(بیشتر راهنمایی‌های مقاله «چهارده نکته آموزشی درباره تلفظ انگلیسی» معطوف به بهبود مهارت اولند.)

دو: داشتن تصویر ذهنی درست از تلفظ هر کلمه. مهارت دوم این است که زبان‌آموز بداند هر کلمه‌ای که بلد است چه تلفظی دارد (هرچند خودش نتواند این تلفظ را انجام دهد). برای انگلیسی‌آموز، معنای این امر این است که مثلا بداند که مصوت هجای اول کلمه danger صدای ej است نه فتحه، و بداند که تلفظ now با know تفاوت دارد. در این‌جا مساله اصلی کلمات است، نه چگونگی صداها. زبان‌آموز باید بتواند صداهای موجود در کلماتی که بلد است را به تفکیک معرفی کند، هرچند از پس تلفظ درستشان بر نیاید. کسب این مهارت صرفا نیازمند تمرین و حافظه است، و هرچند بسیار دشوار است اما در عوض می‌دانیم که نهایتا ممکن است، و مثل مهارت سوم و چهارم نیست که ممکن است مستقل از میزان تلاش هرگز حاصل نشوند. استفاده مداوم از یک فرهنگ لغت که تلفظ کلمات را می‌نویسد برای کسب این مهارت بسیار سودمند است.
(بیشتر راهنمایی‌های مقاله «پنج ایراد رایج در انگلیسی» معطوف به کسب این مهارتند)

سه: تلفظ بومی‌مانند تمام صداها. کسب این مهارت بسیار مشکل‌تر است. در سطح صداهای مجزا، این مهارت تا حد خوبی برای یک بزرگسال هم به دست آمدنی است. اما تلفظ درست ترکیب‌های صداها با یکدیگر و رعایت تمام واجگونه‌ها دشوار است. واقعیت این است که تلفظ دقیق هر صدایی تابع صداهای قبل و بعدش است و یاد گرفتن عامدانه و خودآگاه تمام ترکیب‌های ممکن تقریبا ناممکن است. از طرف دیگر، یک بزرگسال با یادگیری ناخودآگاه و دیمی نیز نمی‌تواند به چنین مهارت‌هایی دست پیدا کند (بر خلاف یک کودک). در عین حال نباید فراموش کرد که همیشه می‌توان تا مرزهای خیره‌کننده‌ای پیشرفت کرد، و بر خلاف شایعه مضحک رایج، حنجره و آرواره کسی در کودکی متناسب با صداهای زبان مادری‌اش شکل نمی‌گیرد، هرچه هست مربوط به ذهن و فرآیندهای یادگیری است. خارجی‌ای که تلفظش از سوی گویشوران بومی «بسیار بسیار خوب» توصیف می‌شود اما همچنان گویشوران بومی خارجی بودنش را تشخیص می‌دهند بدون این که بتوانند بگویند چرا یا بتوانند لهجه‌اش را تقلید کنند، معمولا در مرحله دست و پنجه نرم کردن با مهارت سوم است.

چهار: لحن بومی‌مانند. کلمه لحن را در مقابل واژه intonation انگلیسی به کار می‌برم. منظور از لحن، تغییرات زیر و بمی و کشش و مکث در سطح جمله است، یعنی همان چیزی که شاخصه اصلی تفکیک دو لهجه اصفهانی و تهرانی در زبان فارسی است. دستیابی به لحن بومی‌مانند با آموزش مستقیم و شیوه‌های خودآگاه تقریبا غیرممکن است چرا که هنوز زبان‌شناسان هم از پس مدل کردن دقیق الگوهای لحنی در سطح جمله بر نیامده‌اند. اما همان طور که می‌دانیم، با شنیدن زیاد و البته احتمالا کمی استعداد ویژه، می‌شود لحن‌ها را تقلید کرد. در میان هم‌زبانان خودمان کم ندیده‌ایم کسانی را که گویشور یک لهجه فارسی با یک لحن به‌خصوصند اما در بزرگسالی لهجه دیگری که لحن دیگری دارد را یاد می‌گیرند، و البته که همه‌چیز ناخودآگاه رخ می‌دهد و این افراد هرگز نمی‌توانند کلمه‌ای درباره این که الگوی زیروبمی لحن جدید به چه شکل است صحبت کنند. رسیدن به لحن درست نه آن قدر مهم است و نه آن قدر سخت (با کمی اغماض). در واقع عمده مساله لهجه و تلفظ، مربوط به سه مهارت قبلی است.