La señal de voz es una onda de presión acústica sonora que se origina voluntariamente a partir de movimientos de la estructura anatómica del sistema humano de producción de voz. Los componentes principales son los pulmones, la tráquea, la laringe, la cavidad de la faringe, la cavidad oral y bucal y la cavidad nasal. El tracto vocal empieza a la salida de la laringe y termina en los orificios nasales. Los parámetros principales del sistema articulatorio son las cuerdas vocales, el paladar, la lengua, los dientes, los labios y las mandíbulas. Los distintos sonidos se producen al pasar el aire emitido por los pulmones, a través de todo el sistema de producción, en una determinada posición de cada parámetro articulatorio. Este sistema físico puede modelarse como un filtro, cuya función de transferencia depende del sonido articulado y, por tanto, de la posición de los diversos órganos involucrados en la generación del habla. La entrada al filtro se puede modelar mediante una señal de excitación, que se corresponde con el paso del aire generado por los pulmones a través de la tráquea y las cuerdas vocales, y también será dependiente del sonido generado.

La siguiente imagen muestra las partes más relevantes, que intervienen en la generación de la señal de voz.