Dźwięki reprezentowane przez litery ze znakami diakrytycznymi wymawia się następująco:

litera dźwięk w zapisie IPA przykład zbliżony dźwięk polski sposób artykulacji uwagi ĉ t͡ʃ ĉevalo, ĉapo cz wybuchowo-trąca, dziąsłowa, bezdźwięczna ĝ d͡ʒ ĝardeno, ĝendarmo dż wybuchowo-trąca, dziąsłowa, dźwięczna ĵ ʒ ĵeti, ĵaketo ż trąca, dziąsłowa, dźwięczna ĥ x ĥoro, ĥaoso ch trąca, welarna, bezdźwięczna głoska w zaniku, zastępowana najczęściej przez /k/ ŝ ʃ ŝnuro, ŝalo sz trąca, dziąsłowa, bezdźwięczna ŭ w paŭzo, Eŭropo ł półsamogłoska, półotwarta, tylna występuje tylko w dyftongach

Szczegółowa artykulacja spółgłosek W języku esperanto występują samogłoski, spółgłoski i dyftongi. W przeciwieństwie do wielu języków, w tym polskiego, samogłoska nie ma wpływu na otoczenie, nie zmiękcza występującej po niej spółgłoski, a także nie ulega przeistoczeniu w spółgłoskę, stąd np. w takim wyrazie jak radio nie ulega przemianie w /j/. Na granicy samogłosek, np. /i/ i /o/, dopuszczalne jest epentetyczne użycie spółgłoski /j/, np. /varsovi(j)o/, przy czym /j/ nie powinno być zbyt mocno wymawiane.

Niesylabotwórcza samogłoska ŭ nie występuje samodzielnie, a łączy się z poprzedzającą ją samogłoską, tworząc niepodzielny dyftong, np. aŭto, paŭzo.