Jako zvuk popisujeme takové kmitání prostředí (nejčastěji vzduchu), které probíhá v oboru slyšitelných frekvencí. Z frekvenčního hlediska se nejčastěji uvádí, že lidský sluch je omezen 20 Hz a 20 kHz. Frekvence nižší než 20 Hz se popisují jako ↗infrazvuk, frekvence vyšší než 20 kHz jako ↗ultrazvuk. Je však třeba říci, že zejména horní hranice se s věkem výrazně snižuje (proces se nazývá presbyakuse), a již v dospělosti tak neslyšíme více než přibližně 14 kHz.

Sluchové vnímání není lineární, a to ve frekvenční ani v dynamické oblasti. Částečně to vyjadřuje obr. 1, který názorně ukazuje vlastnosti sluchového pole. Je patrné, že nejefektivnější je lidský sluch mezi přibližně 3 a 4 kHz, kde práh slyšení leží v nejnižších hladinách zvuku. Jak ale ukazuje nejnižší křivka stejné hlasitosti (izofona), abychom vůbec slyšeli 1000Hz tón, musí jeho hladina zvuku dosáhnout přibližně 5 dB, zatímco práh slyšení pro tón o frekvenci 100 Hz činí přibližně 25 dB a pro 50Hz tón dokonce přesahuje 40 dB. Podobné vztahy platí i pro silnější tóny (✍Fletcher & Munson, 1933).

Obr. 1: Sluchové pole s křivkami stejné hlasitosti.

Druhý aspekt nelineárního vnímání zvuku vyjadřuje naše schopnost rozlišit od sebe dva blízko sebe ležící tóny. Zatímco v nízkých frekvencích jsme schopni rozlišit výšku tónů, které se frekvenčně liší o přibližně 3 Hz (tedy tóny o frekvenci 500 a 505 Hz budeme vnímat jako odlišné), s rostoucí frekvencí hodnota nejmenšího vnímatelného rozdílu (nebo také diference limen) výrazně roste. Tóny o frekvenci například 3000 a 3010 Hz budeme vnímat jako stejně vysoké, protože diference limen zde činí přibližně 15 Hz (např. ✍Fastl & Zwicker, 2007:kapitola 7).

Je třeba si však uvědomit, že zde hovoříme o vnímání čistých tónů. Pokud by nás zajímala schopnost rozlišovat výšku složeného tónu (rozdíly v ↗základní frekvenci, F0), závisí opět na konkrétní frekvenci: pro průměrný mužský hlas (F0 = přibližně 115 Hz) je nejmenší vnímatelný rozdíl asi 3 Hz, zatímco pro průměrný ženský hlas (F0 = přibližně 220 Hz) více než 6 Hz. Pokud nás bude zajímat schopnost rozlišovat mezi různými vokalickými kvalitami (↗samohláska), budou diference limen ještě vyšší (✍Mermelstein, 1978), protože se jedná o složené tónové zvuky: u F1 se jako hraniční hodnota uvádí 10–30 Hz, u F2 je rozpětí ještě větší, mezi 20 a 100 Hz (v závislosti na konkrétním vokálu). Z toho vyplývá, že pokud nás zajímá lidská percepce, nejsou hertzy vhodnou jednotkou: vidíme, že 5 Hz znamená vždy něco jiného. Proto je vhodné namísto této objektivní jednotky používat jednotky psychoakustické, které odpovídají tomu, jak lidské ucho výšku vnímá. Pro intonaci jsou to půltóny (zmíněné 3 Hz u průměrného mužského a 6 Hz u průměrného ženského hlasu odpovídají přibližně polovině půltónu, tedy čtvrttónu) (✍Nolan, 2003), pro vokalickou kvalitu se za nejvhodnější považují erby (ERB) (✍Glasberg & Moore, 1990).