Auditive Wahrnehmung wird durch Druckschwankungen der Luft ausgelöst: Das Trommelfell eines Menschen schwingt synchron mit den auftreffenden Schallwellen mit, die Gehörknöchel leiten sie weiter und verstärken sie, bis sie von haarähnlichen Zellen in der Schnecke - einer flüssigkeitsgefüllten, aufgerollten Röhre - verarbeitet werden. Durch Nervenzellen werden die Bewegungen der Härchen in elektrische Impulse umgewandelt, die vom Gehirn interpretiert werden. Dieses ist also für die Beurteilung der akustischen Reize verantwortlich; so kann das Gehirn die mutmaßliche Position der Schallquelle bestimmen oder auch die Aufnahme von auditiven Daten selektieren (z.B. ist es möglich, sich in einer größeren Menschenmenge auf die Stimme einer bestimmten Person zu konzentrieren).
Zur quantitativen Wahrnehmung ist die (Luftdruck-)Welle zu betrachten (s. Abb.7.1): Die Amplitude der Welle (Stärke der Luftdruckänderung) wird dabei als Lautstärke empfunden. Das menschliche Ohr nimmt die Änderungen logarithmisch wahr, das bedeutet, daß eine Verzehnfachung der Amplitude uns als Verdoppelung der Lautstärke erscheint. Wenn sich innerhalb der Wellenform periodische Wiederholungen befinden, kann eine Tonhöhe erkannt werden. Perioden werden in Sekunden gemessen. Die Anzahl von Perioden in einer bestimmten Zeit wird als Frequenz bezeichnet und in Hertz (Hz) gemessen (Perioden/sec). Der maximale Hörbereich des Menschen liegt zwischen 20 und 20.000 Hz, jedoch sinkt die obere Grenze mit zunehmendem Alter auf 15 kHz und darunter, so daß der angegebene Bereich praktisch nur von Kindern gehört werden kann [Kli93].
Zusätzlich zur Tonhöhe wird Klangfarbe wahrgenommen, die sich aus dem Obertonspektrum ergibt. Tatsächlich besteht in der Regel jeder Ton aus vielen verschiedenen; es klingen leise Nebentöne (Obertöne) mit, die eine Vielzahl der Hauptfrequenz betragen und dieser "`beigemischt"' sind.
Geräusche enthalten keine regelmäßig angeordneten Obertöne, es läßt sich also keine Grundfrequenz und somit keine eindeutige Tonhöhe bestimmen. In der Praxis setzen sich Klänge häufig aus Geräuschen und Tönen zusammen, so ist z.B. das Anblasen einer Posaune sehr geräuschhaft, bis sich der Ton mit seiner Tonhöhe herausbildet, jedoch immer noch mit einem Geräuschanteil.