Когда именно возникла полноценная человеческая речь, точно неизвестно: голосовой аппарат и мягкие ткани плохо сохраняются в ископаемом состоянии, а строение черепа даёт лишь косвенные подсказки. Поэтому утверждать, что Homo habilis около 2 млн лет назад уже имел определённый «центр речи» и мог издавать только примитивные звуки, нельзя. Современная человеческая речь — сложная форма коммуникации, в которой участвуют мозг, дыхательная система, гортань, язык, губы и другие структуры.
Голос возникает, когда воздух из лёгких проходит через гортань и заставляет голосовые складки вибрировать. Затем язык, губы, челюсть, мягкое нёбо и резонаторные полости формируют из звука речь. Частота вибрации голосовых складок зависит от их длины, натяжения и других особенностей и сильно различается между людьми; универсальный диапазон «от 80 до 10 000 колебаний в секунду» для обычной человеческой речи неверен.
Речь и язык обеспечиваются не одним изолированным «центром», а сетью областей коры и подкорковых структур. У большинства людей ключевые языковые процессы сильнее латерализованы в левом полушарии, но это справедливо не для всех левшей и не означает, что правое полушарие не участвует в речи. Мозг координирует дыхание, работу гортани и точные движения языка и губ.
Как образуются голос и речь, объясняет NIDCD/NIH. См. также внутреннюю статью «Речевой аппарат и язык».