几个世纪以来，人类语言如何开始一直困扰着研究人员。该主题的一个最大问题是，尽管我们在技术方面取得了巨大进步，但仍然缺乏经验证据。缺乏具体证据甚至一度导致禁止巴黎语言学会关于传播起源的任何辩论。尽管存在障碍，包括心理学家，人类学家，考古学家和语言学家在内的许多研究人员仍在继续研究这一主题。关于早期交流的大量研究的结果可以分为两大类通信：发声和手势。这里的重点是发声。
由于口语本质上是无常的，因此这一思想领域的最佳证据是舌骨。这种骨头在现代智人中的出现和功能只被认为是在我们的前辈，海德堡人（Homo heidelbergensis）， 30万年前以及我们的史前“表兄弟”尼安德特人中发现的。尽管如此，两种物种的出现并未明确证明他们是使用语音或复杂语言。话虽这么说，许多研究人员认为舌骨是人类言语的基础，如果没有我们特定形状的舌骨在正确的位置，与精确下降的喉部一起运作，我们相信我们听起来很像黑猩猩。
因此，我们有一个非常复杂和精确的喉部解剖学，但除了解剖学的这一部分，我们还必须有足够复杂的大脑来讨论。研究人员认为，我们的古代祖先，诺姆·乔姆斯基称之为LAD（语言习得装置），学习语言并以创造性方式使用它的能力。这种创造力可以通过我们的旧石器时代前辈在大约30万到70万年前创造的艺术来表现出来。
结合这两个想法，也许我们的人类祖先都会在大约30万年前开始说话（或者至少是在思想目的上做出构造良好的声音）。尽管如此，大多数声音理论都说这个日期要晚得- 仅在10万年前，当时脑容量也在增加。这是对语言的自然进化习得的总结。反对进化论的观点，人们还在争论语言是否是神圣的礼物，或者是早期人类的有意识的发明。这两种理论都是基于人类语言的复杂性。
除了试图确定第一个口语单词的日期，连续性和提供者之外，学者们试图解释的另一个非常重要的问题是：早期祖先说了什么？
在19世纪末到20世纪初期间，有以下六种主要理论被用来解释声乐语言中使用的词语的起源。他们附有幽默的绰号，暗示了理论背后的理念。
1. Bow-Wow理论：这个理论认为第一个单词是拟声词（使用与他们所指的物体或动作相关的声音的单词）-例如嘶嘶声，砰砰声和飞溅声。Bow-Wow理论因为许多“拟声词”在不同语言中不同，而不是真正源自自然声音而最近创造出来，这一理论失去了真实性。
2.叮咚理论：与自然环境的和谐创造了对语言的需求，声音和意义通过自然天生联系在一起的理论。虽然确实存在一些“声音象征”的例子（英语中的光与快和快相关），但研究还未能证明声音和词义之间的内在联系。
3.维尼理论：建议语言以插入开头（诸如“喔！”之类的表达。“哦！”“哈！”）。这个理论的一个问题是，可以说许多动物发出这些或相似的声音，但它们却没有创造出其他的话。维尼理论的另一个问题是在大多数现代语言中缺乏插入的情况下。
4. Yo-He-Ho理论：这是一种基于人们在做重体力劳动时所产生的咕噜声和呻吟声的理论。虽然这些声音可能与某些语言的某些节奏有关，但它并不能真正解释大多数单词的起源。
5. La-La理论：通过游戏，歌曲和爱情来表达声乐。一个对立的观点是，该理论并没有解释那些不那么情绪化的词。
6.塔塔理论：认为言语源于通过使用舌头和嘴巴来模仿手势的愿望。例如，ta-ta将是一个挥手告别的舌头。这个理论的一个明显的困难是许多手势不能仅通过嘴和舌头再现。
尽管有这些缺点，但大多数这些理论今天仍被教导作为研究人类语言领域的起点。
最近一项关于手势和发声作为语言起源的象似性的研究表明，声音象征的概念可能存在某些东西。在Perlman，Dale和Lupyan进行的研究中，他们要求参与者为18种不同的含义（如粗糙，小和快）创造发声。然后，参与者将这些声音传达给必须猜测“单词、声音”含义的合作伙伴。他们发现通过重复对能够快速轻松地解释发声的含义。然后研究人员为没有声音产生的人们播放了发声的录音，在这里，他们发现百分比高于偶然性（正确率为36％）能够解释其含义。
诺瓦克和克拉考尔是两位研究人员，他们利用博弈论来试图解释语言的起源。由于他们认为误解在早期语言中很常见，因此他们创建了一个描述这个问题的模型，该模型限制了可以描述的对象的数量。然后他们试图找出如何克服错误传达。他们结果表明，增加声音并没有帮助传递“错误限制”，而是将可以理解的小组声音组合成“单词”。
困扰对声乐语言起源感兴趣的研究人员的另一个问题是，是否有一种原始语言或许多。观察当今语言的多样性，我们古代祖先的分散，研究现代语言习得以及其他因素导致了双方的假设：单一性和多元化。
认为存在一种原始语言的信念是两种理论中较老的一种。信徒们提出语言是一种神圣的创造。单一生成也是母语理论支持者的偏好，与非洲之外的理论相关。基于今天所说的大量语言以及早期祖先的位置多样性，多元理论家反对这种单一的起源。由于学者尚未提供第一个口语单词的具体证据，因此没有人能够完全确定哪些理论是正确的。
