En esta sección nos fijaremos solamente en la calidad de las vocales, omitiendo referencia a duración, rasgos glotálicos, y nasalización.
Hay lenguas que tienen sólo tres vocales contrastantes, algunas con cuatro, muchas con cinco o seis, y muchas más con varias vocales más.
Hay razones por las cuales uno puede suponer que es provechoso utilizar toda la región oral para producir las vocales, y que por eso si hay tres vocales serán las siguientes: /i/ (anterior cerrada), /a/ (central abierta) y /u/ (posterior cerrada). Si hay cuatro, es provechoso tener dos cerradas y dos abiertas, dos anteriores y dos posteriores / centrales. Cuando hay cinco, el sistema que tiene español (con /i/, /e/, /a/, /o/ y / u/) es muy común, por las mismas razones, aunque es sólo un tendencia. (En mixteco de Huajuapan, como en francés, parece que la /u/ se convirtió en la vocal anterior redondeada /y/, haciendo un sistema que es menos simétrico.) El manual de la Asociación Fonética Internacional da información de varias lenguas, y uno puede ver que hay sistemas bastante complicados.
En muchas lenguas de África, hay contraste entre dos series de vocales, que se describen de varias maneras: [+ATR]/[-ATR] ("advanced tongue root"— raíz de la lengua avanzada), faringe "expandada" o "no expandada". Se transcriben de varias maneras, y la distinción no es fácil detectar en muchos casos. Sin embargo, en estas lenguas, como en igbo (Ikekeonwu 1999), en una palabra es más común tener vocales de la misma serie, porque hay un tipo de armonía que opera en la lengua. Entonces, uno puede utilizar toda la palabra para determinar los rasgos de cierta vocal (con algunas excepciones).
Las vocales de igbo [+exp] / [+ATR] [-exp] / [-ATR] i u î û e o a ô
(Aquí se ha utilizado un diacrítico superior para indicar el rasgo [-exp]/[-ATR]. Generalmente se utiliza un diacrítico escrito debajo de la letra, o un símbolo diferente. Para más detalles, véase Ikekeonwu 1999.)
Por la cuestión de la armonía entre vocales de los dos sistemas, hay palabras como /eko/ 'molleja' y /uko/ 'techo' (con vocales [+exp]), y palabras como /ûmû/ 'niños', /ômî/ 'médula' y /akû/ 'grano' (con vocales [-exp]), pero no hay palabras —por lo general— que mezclan las vocales de los dos juegos.
Parece ser verdad que cuando hay menos vocales, hay más variación alofónica en ellas.
Las vocales suelen tener alófonos (aparte de las nasalizadas y las alargadas que ya se vieron en otras secciones) a causa de los siguientes factores:
a) posición en la sílaba — puede haber un alófono en sílabas abiertas y otro alófono en sílabas cerradas (generalmente un alófono más abierto en las sílabas abiertas).
b) presencia o ausencia de acento — puede haber un alófono menos distintivo en sílabas atónicas.
c) yuxtaposición a cierta consonante o vocal; por ejemplo, las consonantes uvulares pueden hacer que una vocal cerrada tenga un alófono más abierto. En seri, la vocal /i/ tiene un alófono central y un poco abierto delante de una fricativa uvular tautosilábica (es decir, en la misma sílaba). Asimismo, una vocal puede tener una variante más cerrada o más anterior cuando está antes de una vocal anterior cerrada.
d) la nasalización de una vocal puede hacerla parecer tener una variante más abierta.
Un diptongo es una combinación de vocal y semivocal (aproximante central), o semivocal y vocal, que funciona como el núcleo de la sílaba. Es importante — y esto depende de un análisis basado en la distribución — distinguir entre
a) una secuencia de aproximante y vocal, que es ARRANQUE de sílaba seguido por NÚCLEO de sílaba, que no es diptongo; ejemplo: inglés, /jat/ <yacht> ‘yate’, /jes/ <yes> 'sí',
b) y una secuencia de aproximante y vocal, que es NÚCLEO de sílaba, que sí es diptongo; ejemplos: español, /jelo/ <jelo>, /jama/ <llama>, /sjento/ <ciento>; inglés, /kjut/ <cute> 'bonito'.
Puede haber diptongos crecientes (como [ju], que termina en vocal) y decrecientes (como [aj], que termina en semivocal). Hay diptongos "verdaderos" en inglés, como [aj], [oj], y [ju] —en las palabras [fajv] <five> 'cinco', [boj] <boy> 'muchacho', y [kjut] <cute> 'bonito'. También hay diptongos a nivel fonético que son realizaciones de las vocales "tensas" de inglés: /i/ se pronuncia [ij], /e/ se pronuncia [ej], /o/ se pronuncia [ow], e /u/ se pronuncia [uw].
Evidencia de que en español las secuencias como /je/ son diptongos y que la aproximante está en el núcleo de la sílaba con la vocal (formando un núcleo complejo) se presenta en Harris 1983.
Handbook of the International Phonetic Association: a guide to the use of the International Phonetic Alphabet. 1999. Cambridge: Cambridge University Press.
Harris, James W. 1983. Syllable structure and stress in Spanish: a nonlinear analysis. Cambridge, Mass., MIT Press.
Ikekeonwu, Clara I. 1999. Igbo. Handbook of the International Phonetic Association, pp. 108-110.