音の正体は、空気などの媒質が振動し、その圧力の変化が波（縦波・疎密波）として空間を伝播していく現象です。この波が人間の鼓膜を揺らすことで、脳が「音」として認識します。音の三要素の仕組み解説において最も重要なのは、人間の感覚的な印象が、波のどの幾何学的・物理的特徴に対応しているかを正確に整理することです。
第一の要素である音の大きさを決定づけるのは、波の揺れ幅を表す振幅（しんぷく）です。物体が大きく振動すると、媒質である空気をより強く圧縮・膨張させるため、疎密の圧力差が大きくなります。この圧力変化が大きいほど、人間の耳には「大きな音」として伝わります。
第二の要素である音の高さは、1秒間に波が何回振動したかを表す振動数（周波数）によって決まります。単位にはヘルツ（Hz）を用い、振動数が多ければ高い音、少なければ低い音として知覚されます。一般に人間の耳が感知できる可聴域は約20Hzから20,000Hz（20kHz）とされています。
そして第三の要素であり、多くの人が不思議に感じる音色の正体は、波の形状である波形です。同じ高さ（同じ振動数）、同じ大きさ（同じ振幅）であっても、フルートの柔らかい音とトランペットの鋭い音がまったく異なって聴こえるのは、空気の振動の波形そのものが違っているためです。自然界に存在するほとんどの音は、単一のきれいなサイン波（正弦波）ではなく、複数の異なる周波数が複雑に混ざり合って波の形を形成しています。
