A hangjelölő írásrendszerekkel rendelkező nyelvek beszélői számára egyértelműnek tűnik, hogy a beszéd beszédhangok sorozata, és a beszéd hangkészlete meghatározott (és meglehetősen kis számú) elemet tartalmaz, melyből az adott nyelvben (beszédben) előforduló szavak vagy közlések hangalakjai felépülnek. (Szemléltetésül lásd pl. a UCLA Phonological Segment Inventory Database – UPSID – adatbázis adatait, ahol a leírt 317 nyelv hangkészletének mérettartománya 11 és 141 között van, a készletek számosságának középértéke pedig 38, azaz az itt leírt nyelvek átlagosan mindössze 38 nyelvileg kontrasztív szegmentumot tartalmaznak, Maddieson 1984).1 A beszédtudomány számára azonban korántsem egyértelmű, hogy a beszéd beszédhangok sorozataként jön létre, hiszen a beszéd akusztikai vagy fiziológiai (artikulációs) vetületeiben nem találunk egyértelműen azonosítható hanghatárokat: a beszédhangok létrehozásáért egymással átfedésben létrehozott artikulációs gesztusok felelősek (Magen 1997).