Spółgłoski wybuchowo-trące c, ĉ, ĝ, wymawiane jako odpowiednio /t͡s/, /t͡ʃ/, /d͡ʒ/, mogą wydawać się podobne do pojawiających się na granicach złożeń międzywyrazowych zbitek ts, tŝ, dĵ. Jednak w przypadku tych międzywyrazowych zbitek pierwsza spółgłoska jest wymawiana do końca, a dopiero po zakończeniu tej fazy artykulacji następuje wymowa drugiej spółgłoski (nie łącznie), zatem odpowiednio: t + s, t + ʃ, d + ʒ. Wymawianie przykładowo c jako t + s (zamiast t͡s) jest błędne. Samogłoski nie zmiękczają ani nie utwardzają spółgłosek, stąd zbitkę ci czyta się jako c + i, nie zaś twardo, np. cy lub miękko jako ći.

Podwójne spółgłoski zdarzają się najczęściej na pograniczu morfemów, np. ekkoni, tualettablo, i wymawia się je oddzielnie.

Spółgłoska /x/ (ĥ) występuje rzadko w języku esperanto i bywa mylona z /h/. Często spotyka się twierdzenie, że dźwięki /x/ i /h/ (odpowiednio reprezentowane przez litery ĥ i h różnią się tylko siłą wymawiania.