System fonologiczny Z innymi językami chińskimi kantoński dzieli pismo, jednak jego wymowa jest bardziej skomplikowana od mandaryńskiego (większa liczba tonów i wygłosów). Od języka średniochińskiego kantoński oddzielił się ok. VII wieku, kiedy Chińczycy skolonizowali tereny dzisiejszego południa kraju. W trakcie ewolucji kantoński przeszedł mniejsze zmiany niż mandaryński i uważa się, że jest bardziej zbliżony do średniochińskiego, którego wymowę próbują zrekonstruować sinolodzy. Na przykład wiersze z epoki Tang czytane po kantońsku rymują się częściej, niż kiedy czytane są w lekcji mandaryńskiej. W przeciwieństwie do dialektów mandaryńskich, kantoński zachował spółgłoski zwarte -p, -t, -k na końcu wyrazu oraz wygłosowe -m. Posiada bogaty zasób tonów – łącznie z wariantami jest ich aż dziesięć, z czego sześć uważa się za podstawoweKam Y Lau: Cantonese Phrasebook str. 8.
Młode pokolenie wykazuje tendencję do upraszczania pewnych głosek, zwłaszcza tylnojęzykowego „ng”. Tak więc zamiast „ngő” wymawiają „ő” (ja). Również ze zbitek „kw” i „gw” często wypada „w”, np. gwóng dung wá („język kantoński”) wymawiane jest jako góng dung wá. „l” często używane jest zamiast „n” np. ngő ngōi néi („kocham cię”) wymawiane jest przez młodych ludzi ő ōi léiKam Y Lau: Cantonese Phrasebook str.