Concrètement :
* L'enregistrement capte un signal acoustique — la vibration des ondes produites par les cordes vocales, la langue et les lèvres, sous forme d'une onde continue.
* Le phonème est une abstraction linguistique : il n'est pas directement observable dans la forme d'onde, on le déduit du signal. Linguistes et orthophonistes analysent les propriétés acoustiques pour l'identifier.
* La correspondance n'est pas biunivoque : un même phonème se réalise différemment selon le contexte, les sons voisins ou l'accent du locuteur. Le signal charie aussi la prosodie — intonation, accentuation, rythme — ainsi que du bruit et divers artefacts.
Autrement dit, l'enregistrement fournit les données brutes, et les phonèmes en constituent l'interprétation linguistique. Extraire ces derniers suppose un traitement du signal poussé et une véritable expertise linguistique.