学習者が最も圧倒されるのが、音韻の複雑さである。広東語の声調9声と発音の難易度は、世界中の諸言語と比較しても際立っている。
普通話の声調は第1声から第4声までの「4種類」に加え、軽く添える軽声が存在するのみである。これに対し、広東語には音の高低と上がり下がりを組み合わせた「6つの基本調型」が存在する。さらに、音節の末尾を唇や舌で瞬時に閉鎖する「入声（にっしょう：-p, -t, -k）」が加わる。この入声がピッチの違いによって高・中・低の3つに分岐するため、伝統的な音韻学では合計「9声」として体系化されてきた。
具体的には以下の9種類に分類される。
- 第1声（陰平）：高平調（高く平らに伸ばす）
- 第2声（陰上）：中昇調（中くらいの高さから急激に持ち上げる）
- 第3声（陰去）：中平調（中くらいの高さで平らに保つ）
- 第4声（陽平）：低降調（低音からさらに深く落とし込む）
- 第5声（陽上）：低昇調（低い音から中音へ引き上げる）
- 第6声（陽去）：低平調（低い位置で平らに保つ）
- 第7声（陰入 / 上入）：第1声と同じ高さの短い詰まる音（-p, -t, -k）
- 第8声（中入）：第3声と同じ高さの短い詰まる音（-p, -t, -k）
- 第9声（陽入 / 下入）：第6声と同じ高さの短い詰まる音（-p, -t, -k）
この入声の存在こそ、日本人の古文読解や漢字感覚と不思議な接点を持つ。日本語で「学（ガク）」「八（ハチ/ハツ）」「十（ジュウ/ジフ）」と促音化する漢字は、古代漢語で末尾に -k, -t, -p を持っていた痕跡だ。普通話ではこれらの子音末尾が完全に脱落し、「xué（シュエ）」「bā（バー）」「shí（シー）」と開放母音化してしまった。しかし広東語では、今なお「hok6」「baat3」「sap6」と、1000年前の宋代詩歌を詠じた当時の音韻がそのまま機能している。
「広東語で唐詩を朗読すると完璧に韻を踏むが、北京語で読むと韻が崩れる」と言われる所以はここにある。発音の習得難易度は極限に高いものの、古代東アジアの音の化石を今に生きる言葉として操れる点は、言語学習者にとって抗いがたい魅力となっている。
