A 14 monoftongus a magyar nyelvben fonológiai hosszúságuk alapján párokba rendeződik, tehát megkülönböztetünk rövid és hosszú magánhangzókat (vö. Bolla 1995). Az időtartamkontraszt felső nyelvállású magánhangzók esetében elsősorban időtartambeli eltérésben fejeződik ki, és a hangszínben minimálisan jelentkezik (vö. /i/–/iː/, /y/–/yː/, /u/–/uː/). Ezzel szemben a legalsó nyelvállásfokokon az időtartambeli kontraszt mellett a hangszín minőségét érintő különbségek is megjelennek (/ɒ/–/aː/, /ɛ/–/eː/), míg a középső nyelvállású /o/–/oː/ és /ø/–/øː/ magánhangzópároknál elsősorban ugyancsak időtartambeli eltéréseket feltételez a szakirodalom (Bolla 1995) (2. táblázat). (Megjegyzendő az az összefüggés, amely szerint a magánhangzók megvalósulására általános hatással van az időtartamuk, hiszen a hosszabb időtartam több lehetőséget enged megközelíteni az artikulációs/akusztikai célt, így a magánhangzótérben periferikusabb pozíciókat elérni, szemben a rövid megvalósulásokkal (Lindblom 1963).

A kínai magánhangzórendszer 6 magánhangzó-fonémával és ezen belül 10 allofónikus magánhangzóval, továbbá 2 szótagmagi magánhangzó pozícióban megjelenő approximánssal rendelkezik, amelyeket apikális magánhangzónak is szokás nevezni (Bartos–Ye 2019). A kínai nyelvben a fonológiai hosszúság nem jellemzi a magánhangzókat, a magánhangzó hosszúságában megfigyelhető – nem fonológiai – variabilitás a szótagszerkezet és a tónus függvényében változik (Bartos–Ye 2019).

A kínai magánhangzó-fonémák és a hozzájuk tartozó allofónok alapvetően nyelvállásfok szerint, illetve a felső nyelvállásfok esetében elöl képzettség tekintetében különülnek el (2. táblázat). Fontos továbbá megemlíteni azt, hogy például a középső nyelvállású /e/ fonéma esetében megjelenő 5 allofón, vagyis a [e, ε, ə, o, ɤ] allofónok kontextus függvényében jelennek meg, és kiegészítő eloszlásban is állnak egymással, tehát a kontextus indukálja az adott allofón megjelenését, és adott környezet csak egyetlen allofónt hívhat elő (3. táblázat). Az /e/ fonéma allofónjai esetében az [o] allofón nyílt szótagokban, labiális mássalhangzók után; az [ε] allofón nyílt szótagokban palatális mássalhangzókat követően; az [e] allofón [j] siklóhang előtt; a svá [ə] allofón nazálisok és [u] beszédhang előtt; míg az illabiális veláris [ɤ] magánhangzó pedig nyílt szótagokban, de nem labiális vagy palatális mássalhangzó után kontextusokban jelenik meg (Duanmu 2000: 37). Az /i/ fonéma esetében az [ɿ/ɹ] és [ʅ/ɻ] magánhangzók/approximánsok előfordulását a megelőző onszet-mássalhangzó képzési helye kódolja: alveoláris obstruens után a [ɿ/ɹ], míg posztalveoláris obstruens után a [ʅ/ɻ] beszédhang fordul elő, az [i] allofón pedig minden más esetben. Az /e/ és /i/ magánhangzó-fonémák kontextusfüggő megvalósulása tehát azért is okozhat problémát a nyelvtanulók számára az L2-elsajátításban, mert ezekben az esetekben egyetlen graféma legalább három különböző beszédhangot jelöl (3. táblázat).