不論如何的遠古，人類的語言似乎最終總是以語音語言為主。
若馮特主張人類語言起源於作為情緒表達的身體運動，那麼他起碼 必須解釋：語音最終取代手勢成為語言溝通的主要媒介，這究竟是 如何可能的？這是否是必要的？這種取代過程對於人類的思維，具 有什麼樣的特殊影響或意義？馮特完全沒有逃避這些問題，為了闡 釋聲音語言取代手勢語言的發生學過程，他曾嘗試從人類與動物語 音的區別、兒童的語言學習過程與聾啞人士的手語使用等進路，對 人類語音的種屬與存在發生過程，做了詳細的研究。
人類當然不是唯一能發出聲音的動物。借助呼吸肌肉的運動，
氣流經過口腔、舌頭與唇齒之間的不同位置，即能發出許許多多不 同的聲音。聲音首先與臉紅心跳、好惡的表情一樣，都是隨著情緒 表達的身體運動所同時產出來的。如同人類的哭聲與笑聲是一種不 隨意的表達運動一樣，動物最初表達出來的聲音，大都是受苦的叫 喊聲，與求偶或求助的呼喚聲。動物在遭受痛苦的呻吟或自我防衛 的吼叫中，以聲音的表達來宣洩情緒，並使同種類的其他生物能產
生相同的情感，以把自己的感受傳達給對方。動物的聲音表達因而 具有與脈博加速、痛苦與甜蜜之表情等表達運動相同的心理生理學 意義。
馮特把人類與動物都能發出的聲音，當成是與表情、手勢相類 似的身體姿態，並稱之為「聲音姿態」(Klanggeberde [Wundt, 1893:
613] 或 Lautgeberde [1904: II, 637])。作為表達運動的聲音姿態，
日後雖能進一步作為隨意圖而表達的語言媒介，但它一開始作為語 音語言的前階段，卻主要只具表達情緒的主觀意義，而尚不具有表 象或指涉對象的客觀意義。就此而言，馮特顯然也同意亞里斯多德 以來的觀點，亦即，像是野獸喊叫的聲音，並非即等同於語言。不 過，馮特也並不因而就跳躍到主張語音所具的意義，是純粹的人為 約定的產物。而是另闢蹊徑，主張具表達情緒之主觀意義的聲音姿 態，若能奠定在手勢之身體建構活動的基礎上，那麼人類即能有別 於動物，將聲音形構成具語意內含的語音。
為了證明語音的意義基礎，必須建構在身體手勢的參與之上，
馮特首先考察兒童的語言學習過程 (Wundt, 1906b: 278-286)。人與 動物所具有的本能一樣，只要開始運用他的發音器官，就能發出各 種不同的聲音。兒童牙牙學語的過程，一般被理解成，是透過模仿 大人所發出的聲音而學會語言。但其實稍加觀察即可知，對於兒童 的語言學習而言，表情與手勢的協助是不可或缺的。從表面上看，
兒童學說話就是以他能任意發出聲音的能力，透過模仿大人的說 話，而學會語言的使用。但在這個過程中，兒童必須先能用手勢指 示出吸引他注意的對象，或嘗試用表情或手勢來表達或摹擬他所想 傳達的情緒或事物，並同時呢喃地發出任意的聲音，來加強他自己 或他人對這個對象的注意。這時惟有在旁邊的大人能從兒童的表情 與手勢，理解它所意指的情緒或對象，並發出能指稱它的聲音，這
時兒童才能透過模仿這個聲音，而學會用它來指稱事物，並因而理 解該詞語的意義與用法。
兒童與周遭環境的互動，首先透過手勢的表達，然後才逐漸學 會聲音語言的使用。兒童在有意圖地使用聲音之前，已能應用伴隨 聲音的手勢，簡單的指示手勢因而在語言發展中，扮演極為重要的 角色。對於我們要用詞語標示的對象，若不能先把它指出來，那麼 兒童就幾乎無法學習理解到這些詞語的意義。從對兒童語言學習過 程的觀察，馮特總結說，表達情緒的聲音姿態要成為語音語言，至 少必須具備以下三個條件：(1) 吾人必須能對事物的刺激產生能表 達情緒的聲音姿態，(2) 必須有手勢的協助，以建立記號與對象或 表象之間的關係，(3) 必須能模仿與他人共通的聲音表達，以使聲 音的客觀意義，能被跨主體地確定下來。當這三個條件被滿足了，
我們才能將本能發出的聲音，當成是具有意義共同性的語言溝通媒 介，而創造出語音語言。就此馮特說：
聲音姿態具有表達本能運動的情緒特色，但它本身仍不是語 言，而是進一步發展的聲音語言之不可或缺的基礎。如同一 般而言的表達運動形成手勢語言的基礎一樣，語言形成的契 機在於：當聲音姿態伴隨其他有助於理解的手勢，且是在想 將主觀的表象與情感，對他人進行傳達的意圖中被使用，亦 即在原初的本能衝動能成為隨意的行動時，語言才能形成。
此時若在社群中的其他成員，沒有具有本能與意志之彼此一 致的發展作為配合，或者說，此時若與理解的努力連繫在一 起的模仿衝動，並沒有去幫助固定一度形成的聲音記號，則 個人的意圖仍不能成功。我們因而可以將語言的發展區分成 三個階段：(1) 本能的表達運動階段，(2) 為傳達的目的，隨 意應用這個運動的階段，(3) 這個運動經由首先是本能的，再 來是隨意的模仿而散播開來的階段。(Wundt, 1893: 614-615)
語音若必須借助手勢的身體表達運動，才能成為有意義的表 達，那麼人類的原始語言，就可以看成是一系列的單音節或多音節 的聲音。它伴隨手勢，而將具體的表象在不用文法的情況下，加以 表達出來。這樣形成的聲音姿態，當它形成一言說社群的財產時，
即具有「語言根詞」(Sprachwurzel) 的特性。且由於語音必須建立 在手勢的運用之上，我們因而也可以猜測說，詞語之所以主要區分 成指示根詞 (或即意指根詞 [Deutewurzeln]) 與述謂根詞 (或即稱 述根詞 [Nennwurzeln]) 這兩大類，以構成具主述詞結構的語句，
這與我們的手勢主要係包括「指示手勢」與「表現手勢」，應有非 常密切的關係 (Wundt, 1893: 616)。
在語言日後的發展中，這些根詞經過不斷變遷、產生出屈折變 化或與其他根詞相連結等過程，以致這些在語音語言中的聲音，逐 漸喪失它原初作為身體姿態的生動性。對此馮特說：「在語言繼續 發展的過程中，手勢最後失去它巨大的意義。然而，語言與表象之 間，則形成愈來愈緊密的連結。這使我們形成一種意識狀態，認為 語 詞 與 意 義 完 全 是 一 體的 ， 以 為 我 們 在 詞 語 中就 能 看 到 對 象 」 (Wundt, 1906b: 284-285)。由此可見，惟有手勢的意義建構作用被 遺忘了，語音才能從它原先作為聲音姿態所具有的具體直觀性，轉 變成在語音語言中，作為表達抽象概念的任意性符號。語音語言也 因而能取代手勢語言，成為表達人類思想最合適的工具。
語音語言 (特別是作為屈折語形態的印歐語) 特別側重以文法 的虛詞或詞語的屈折變化，來表達思想的內容與結構。人類語言的 文法性似乎只有透過語音語言才能實現完成。因而，我們即使主 張，在兒童學習語言的過程中，不能沒有手勢的協助，但人類的語 言本質似乎仍需以語音為基礎。針對這種手勢語無文法性的偏見，
馮特已在上述手勢語句法學的研究中做出反駁。手勢語言與語音語
言一樣，都能透過個別手勢或音素的對比與差異，來做出區分音節 的表達。馮特因而認為必須將「語言」的定義放寬為「表達思想的 分節運動」(Gedankenäußerung durch artikulierte Bewegungen)，而 不 必 只 限 制 在 從 發 聲 的區 分 音 節 活 動 ， 來 看 語言 有 機 體 的 本質 (Wundt, 1906b: 286)。馮特為此並特別指出，手語與漢語一樣，都 是不用文法虛詞或詞語的屈折變化，就能表達出思想的邏輯。因而 在嚴格的意義上，雖然語音最後取代了手勢而成為人類溝通的主要 媒介，但語音並非是語言絕不可或缺的成分。
且再從兒童必須借助手勢才能學會語言使用的事實來看，聲音 語言為了傳達與實用的目的，脫離它原來作為身體姿態的生動性，
它的意義逐漸需要透過約定來完成，這使得聲音語言經常必須由一 套約定俗成的記號系統來組成，從而使得語言的運用，必須經過長 期的應用與學習。但手勢語言本身卻具有「感性生動性」與「不可 能誤解的明確性」(Wundt, 1906b: 282)，它是一種在理解上沒有太 大困難的「普遍語言」(Universalsprache)。手勢要不是直接指出事 物，要不就是以象形或會意的方式呈顯出事物，手勢與它所指的意 義 具 有 直 接 的 關 係 。 它因 而 擁 有 聲 音 語 言 所 沒有 的 「 根 源 性 」 (Ursprünglichkeit) 與「自然性」(Natürlichkeit) (1904: I, 137)。這使 得我們甚至能理解動物所做出的、與人類非常接近的表達運動的意 義。馮特因而主張，手勢語言才是真正的原始語言，它作為訊息傳 達的自然媒介，是先於聲音語言而存在的。23
23 當代學者對於語言手勢起源論的研究，也大都可以支持馮特主張手勢語是普遍自 然語的觀點。像是David F. Armstrong 就認為，語言的手勢起源論可以依據：象似 而可見的手勢是比言說更為自然的溝通配備，且手勢起源論可以說明任意符號之 起源問題，這兩點而成立 (2008: 289)。而對於語言手勢起源論在靈長類動物學、
神經科學方面的實證研究，則可以參見Hewes (1992) 的綜述。