Mulți occidentali cred că chineza se referă la o singură limbă și că variațiile de pronunție sunt echivalente cu diferențele dialectice întâlnite la vorbitorii de engleză care trăiesc în statele sudice și la cei care locuiesc în statele nordice. De fapt, deși zecile de variante chineze folosesc toate același set de elemente lexicale și aceleași structuri gramaticale, un vorbitor dintr-o zonă ar putea fi complet incapabil să comunice oral cu un vorbitor dintr-o altă zonă. Acest lucru nu se datorează faptului că fiecare consideră că accentul celuilalt este prea gros, ci pentru că toate cuvintele chinezești sunt compuse nu numai din foneme sau unități de sunet, ci își poartă și semnificația prin tonuri sau înălțimea la care este pronunțat un cuvânt. Transcritorii folosesc un număr de ton, precum și un nume de ton pentru o frază rostită, folosind una dintre mai multe metode de transcriere occidentale.
Cu peste 845 de milioane de vorbitori, mandarina este de departe cea mai folosită limbă din lume. Mandarin, ca toate limbile chineze, adesea numite dialecte chinezești, încorporează tonuri care determină sensul unui cuvânt. Tonul numărul unu se numește yin ping și este un sunet uniform care nici nu crește, nici nu scade. Tonul numărul doi, yang ping, se scufundă ușor în mijlocul cuvântului, apoi revine la tonul inițial. Shang este al treilea ton și, de asemenea, scade, dar mai dramatic decât yang ping, iar al patrulea și ultimul ton în mandarină, qu, începe într-un punct înalt și plonjează.
Mandarin și alte limbi chineze sunt monosilabice; deoarece toate limbile restricționează fonemele numerice, încorporarea înălțimii în fiecare cuvânt chinezesc este o necesitate, altfel nu ar fi suficiente combinații fonemice pentru a fi suficiente. Engleza, ca și alte limbi polisilabice, nu este tonală din simplul motiv că nu este necesară. Folosind doar 40 de foneme, lexiconul englez conține peste 250,000 de cuvinte; acest lucru este posibil deoarece engleza permite mai multe silabe, iar cuvintele noi combină rădăcinile cu afixe, precum și reordonează sunetele.
În mandarină, o singură silabă este un cuvânt și, dând acelei silabe patru tonuri în care poate fi folosită, o silabă devine efectiv patru cuvinte distincte. Acest lucru poate fi suficient de complex pentru a zăpăci mințile multor occidentali, dar taiwaneza, o altă limbă chineză, adaugă patru numere de ton suplimentare pentru un total de opt, iar cantoneza încorporează nouă tonuri distincte.
Este important de reținut că, spre deosebire de multe alte limbi, toate limbile sau dialectele chineze nu sunt bazate pe alfabet în formele lor scrise. Un caracter reprezintă un cuvânt, iar fiecare cuvânt este o singură silabă. Aceasta înseamnă că un enunț în mandarină care poate fi pronunțat în tonul numărul unu, tonul numărul doi și tonul numărul patru va fi scris folosind trei caractere distincte și fără legătură. În acest fel, un vorbitor cantonez și un vorbitor taiwanez pot citi același text și îl pot înțelege pe deplin, dar îl vor pronunța mult diferit.