Las palabras son como trenes y cada sílaba es un vagón que corresponde a un golpe de voz. Toda sílaba tiene obligatoriamente un núcleo con vocal, y puede llevar consonantes opcionales antes como cabeza y después como coda.

Las sílabas se clasifican por tres criterios. Por la fuerza, solo hay una tónica fuerte por palabra y las demás son átonas suaves. El acento es la fuerza que se oye y no debe confundirse con la tilde, que es la rayita escrita.

Por cómo termina, si acaba en vocal es abierta o libre y si acaba en consonante es cerrada o trabada. De aquí salen las formas directa CV, inversa VC y mixta CVC, resumidas en las estructuras V, CV, VC, CVC, CCV y CCVC.

Por sus vocales, si tiene una vocal es simple y si tiene dos o tres en el mismo golpe es compuesta con diptongo o triptongo. Si dos vocales juntas se separan en dos golpes forman hiato y son dos sílabas simples. El ejemplo mur-cié-la-go muestra cómo aplicar los tres criterios juntos.