Слог китайского языка имеет определенную структуру. В его состав может входить не более четырех звуков, расположенных в строгой последовательности.

Слог состоит из двух основных элементов: согласная часть находится в начале слога и потому носит название «инициаль», а гласная часть расположена в конце слога, поэтому она называется «финаль».

Инициаль (согласная часть) может быть выражена только одним согласным звуком. При этом в слоге инициаль может вовсе отсутствовать, и тогда слог будет состоять исключительно из финали. Всего в китайском языке 21 инициаль.

Финаль (гласная часть) может быть выражена одним звуком (монофтонг), двумя звуками (дифтонг) или тремя (трифтонг). Гласные соединяются в дифтонги и трифтонги по определенным правилам. Всего в китайском языке 35 финалей, в том числе 17 финалей с конечным носовым элементом.

Всего в нормативном языке путунхуа насчитывается около 400 слогов, различных по своему звуковому составу. При этом существуют определенные правила сочетаемости инициалей с финалями, то есть нельзя произвольно соединять любые инициали с любыми финалями. Например, в путунхуа есть слоги bo, po, mo, fo, но нет сочетаний do, to, no, lo.