W języku esperanto istnieje 28 dźwięków, przy czym wszystkie są oparte na już istniejących w różnych językach, nie ma dźwięków specyficznych dla języka esperanto. Zgodnie z założeniem Ludwika Zamenhofa każda głoska ma swój jedyny graficzny odpowiednik – literę. Wszystkie litery są wymawiane, nie istnieją litery nieme. Każda litera ma dokładnie jeden odpowiednik dźwiękowy. Zarówno samogłoski jak i spółgłoski są wymawiane tak samo, niezależnie od ich kontekstu fonologicznego. Niewyjaśnione jest, czy istnieje zwarcie krtaniowe czy też między samogłoskami na granicach wyrazów istnieje rozziew, jak np. w wyrażeniu mortigi insektojn.
Stosunek samogłosek do spółgłosek w języku esperanto wynosi 43:57. Dla porównania przykładowo w amerykańskim angielskim 37,4:62,6, w łacinie 44:56 a w fińskim 51:49. Najczęściej występującymi fonemami w esperanto są: /a/ (12,67%), /o/ (9,15%), /i/ (8,79%), /e/ (8,44%), /n/ (7,33%), /r/ (6,02%), /s/ (5,49%), /t/ (5,47%), /k/ (3,83%). Najrzadziej używanymi spółgłoskami są /x/ (0,00%), /ʒ/ (0.08%), /h/ (0,25%), /z/ (0,30%) oraz /ʃ/ (0,33%).