Dźwięk jest wrażeniem spowodowanym przez drgania harmoniczne cząsteczek ośrodka, odbierane przez jeden z receptorów zmysłów – narząd słuchu. Wrażenie to spowodowane jest odbiorem przez słuch fali akustycznej, która rozchodzi się w ośrodku sprężystym – w tym przypadku w powietrzu, rzadziej w wodzie i innych ośrodkach. Dobrym przykładem rozchodzenia się dźwięku w ośrodku innym niż powietrze będzie szyna kolejowa, do której przyłożymy ucho, dzięki czemu możemy usłyszeć drgania emitowane w tej szynie przez koła jadącego pociągu.

Fala akustyczna to rodzaj fali mechanicznej typu podłużnego. Jak to działa? Wiadomo, że fala musi mieć amplitudę (głośność) i częstotliwość (ilość powtórzeń na sekundę). Jak najprościej opisać dźwięk? Spróbujmy sobie wyobrazić luźno zwisającą linkę, którą potrząsamy regularnie z górnego końca: na całej długości możemy zaobserwować przemieszczanie się punktów linki w poprzek, czyli na boki do kierunku rozchodzenia się fali (w dół). Tak rozchodzi się fala poprzeczna. A teraz wyobraźmy sobie miękką, zwisającą luźno sprężynę, którą będziemy popychać zgodnie z kierunkiem rozchodzenia się fali, czyli w dół. Zaobserwujemy wtedy zagęszczanie i rozrzedzanie zwojów, które przemieszczają się w tym samym kierunku, co rozchodząca się fala. Tak właśnie wygląda fala podłużna. A teraz wystarczy wyobrazić sobie, że w punkcie wzbudzania znajduje się nieskończenie wiele sprężynek, skierowanych kuliście: wzbudzanie tego punktu spowoduje, że fala zacznie rozchodzić się we wszystkich kierunkach na raz. Ostatnim etapem w naszym modelu fali akustycznej – czyli dźwięku – będzie zastąpienie nieskończenie wielkiej liczby sprężynek cząsteczkami powietrza. A teraz ostatni etap: zamknijmy oczy i wyobraźmy sobie, jak cząsteczki zagęszczają się i ścieśniają, tworząc powierzchnie kuli o coraz to większym promieniu, rozchodząc się w przestrzeń. Jak odbijają się od powierzchni stałych (ściany, obiekty, drzewa, ludzie), zakrzywiają przy napotkaniu krawędzi i wygaszają na długim dystansie i z upływem czasu. Tak z grubsza wygląda rozchodzenie się dźwięku w przestrzeni.

Narząd słuchu, czyli uszy. To detektory drgań, dzięki którym możemy usłyszeć dźwięki o częstotliwościach od ok. 20 Hz do 20 kHz. Na co dzień spotkać można także termin „dźwięki słyszalne”, który stosuje się do określenia zakresu częstotliwości i amplitud odbieranych przez ucho ludzkie. Dźwięki niesłyszalne będą więc np. zbyt ciche, zbyt niskie (częstotliwości z zakresu infradźwięków) albo zbyt wysokich (częstotliwości ultradźwiękowe, doskonale słyszalne przez niektóre zwierzęta, np. psy i oczywiście nietoperze). Ludzki narząd mowy operuje w granicach od 150-200 Hz (męski bas) do prawie 10 kHz (płacz niemowlęcia). Nietrudno zauważyć, że natura skonstruowała nas tak, że nasze uszy wyczulone są bardziej na dźwięki wyższe, ale tylko do pewnego zakresu. Powyżej 10 kHz czułość słuchu ponownie się zmniejsza i dźwięki o tych częstotliwościach muszą być proporcjonalnie coraz głośniejsze, żebyśmy je wyraźnie usłyszeli.

Dźwięki słyszalne odbierane różnych ludzi mogą różnić się zarówno w zakresie częstotliwości, jak i głośności. Trzeba też wspomnieć, że z wiekiem oraz postępującym zniszczeniem komórek słuchowych naszych uszu górna częstotliwość graniczna przesuwa się w dół, czasami na tyle drastycznie, że człowiek nie jest w stanie usłyszeć dźwięków wyższych niż kilka kHz. Podnosi się też dolna granica poziomu głośności słyszanych dźwięków. Taki ubytek słuchu jest niestety trwały i nieodwracalny, dlatego zawsze warto dbać o swój słuch i nie wystawiać go na nadmierny hałas.=

Człowiek odbiera dźwięk w ściśle określony sposób. Pierwszy etap polega na rejestracji głośności w czasie. Następnie dźwięk jest analizowany. Uszy wyodrębniają ton podstawowy, który decyduje o słyszanej wysokości dźwięku, a także wyższe składowe harmoniczne, których amplitudy decydują o barwie dźwięku. Taka analiza jest możliwa dzięki właściwościom fizycznym dźwięku – nawet najbardziej skomplikowana fala akustyczna da się rozłożyć na pojedyncze składowe sinusoidalne. Taka analiza częstotliwościowa wszystkich harmonicznych (widma dźwięku) jest określana jako transformata Fouriera. Gdy dźwięk składa się z wielu składowych, każdej z nich można przypisać określone parametry: amplitudę, fazę i częstotliwość. Następnie uzyskane wartości amplitudy (głośności) są poddawane logarytmowaniu, dzięki czemu dźwięki o niewielkiej głośności są rozróżnialne w podobnym stopniu jak silne. W wyniku takich procedur mózg uzyskuje strumień danych, który zawiera najważniejsze cechy dźwięku: głośność (amplitudę), wysokość (częstotliwość) i barwę (widmo). Człowiek z powodzeniem używa tej metody do rozpoznawania mowy mimo niesprzyjających warunków, takich jak hałas zewnętrzny lub rozmowa w tłumie.

Istnieją oczywiście drgania akustyczne, których nie jest w stanie usłyszeć ludzkie ucho. Jeśli ich częstotliwość jest mała (niska), nazywamy je infradźwiękami. Są to zazwyczaj częstotliwości niższe niż 20 Hz. Jeśli częstotliwość jest zbyt duża (wysoka), mamy do czynienia z ultradźwiękami. Mówimy tutaj o częstotliwościach powyżej 20 kHz.

Inne rodzaje detekcji dźwięku występują np. w przypadku infradźwięków, odczuwanych narządami wewnętrznymi lub całym ciałem, lub ultradźwięków odbieranych przez układ kostny – silna amplituda tych ostatnich w skrajnych przypadkach może spowodować niepokój lub ból głowy.