Jedno z ujęć przedstawia fonem jako grupę podobnych do siebie głosek, która jest odróżnialna od pozostałych grup. Za psychologicznym i abstrakcyjnym ujęciem fonemu przemawia fakt, że użytkownicy języka zwykle nie zdają sobie sprawy ze zróżnicowania allofonów, które wymawiają, i są przeświadczeni, że są to te same głoski. Jest to związane również z pismem alfabetycznym, gdzie zwykle jedna litera odpowiada kilku podobnym głoskom, z reguły będącym allofonami jednego fonemu. Przykładowo w polskim alfabecie istnieją odrębne litery dla fonemów i , nie ma natomiast zróżnicowania w piśmie dla głoski d wymawianej zębowo czy dziąsłowo. Tymczasem fonemy intuicyjnie bywają kojarzone z grafemami. Cechy odróżniające od siebie fonemy nazywane są cechami dystynktywnymi, a różnica charakteryzująca te cechy nazywana jest opozycją.
Ponieważ fonem jest bytem abstrakcyjnym realizowanym przez zbiór allofonów, nie można go wymówić, gdyż wymagałoby to równoczesnego wymówienia wielu głosek naraz.
Oprócz zestawów fonemów typowych dla danego języka mogą pojawić się w nim, na skutek procesów fonostylistycznych fonemy rezerwowe (potencjalne). Za taki fonem w języku polskim może być w niektórych modelach fonologicznych uznana szwa, nieuznawana za fonem typowy dla tego języka, ale pojawiająca się w nim w mowie szybkiej.