Es gibt seit langem einen Streit über die Frage, ob das Chinesisch, was in den verschiedenen Regionen Chinas gesprochen wird, als verschiedene Sprachen oder als Dialekt einer Sprache aufgefaßt werden sollte. Wenn man "Dialekt" als eine Besonderheit der Sprache, die den Sprechern anderer Dialekte der selben Sprache noch verständlich ist, definiert, muß man im Falle Chinas von verschiedenen Sprachen sprechen. Wenn jemand, der die Sprache von Beijing spricht, beispielsweise nach Kanton reist, wird er dort kein Wort verstehen. Dasselbe gilt für Leute, die aus Shanghai stammen und nach Yunnan reisen etc. Es gibt jedoch auch Regionen, die ihre Sprachen gegenseitig mit einem bißchen guten Willen verstehen können, etwa wie ein Ostfriese einen Bayern verstehen könnte. Deshalb spricht man im Allgemeinen von chinesischen Dialekten und nicht von der chinesischen Sprachfamilie.
Schon im Kaiserreich hat man Anstrengungen unternommen, eine einheitliche (Kunst-) Sprache festzulegen, mit deren Hilfe sich die Beamten aus allen Regionen des Reiches verständigen könnten. Diese Sprache nannte man guanhua
Beamtensprache oder "Mandarin". Um die Jahrhundertwende entschied man sich für eine Umgangssprache auf der Basis des relativ lautarmen Beijing- Dialekts. Diese Sprache wird heute noch überall als Umgangssprache (putonghua) propagiert, von Singapur über Shanghai und Beijing bis nach Taiwan verstanden und im Ausland weiterhin als "Mandarin" bezeichnet.
Wenn wir in der Folge von "Chinesisch" sprechen, dann beziehen wir uns damit auf diese allgemein anerkannte Umgangssprache.
Chinesisch ist eine Tonemsprache, das heißt, die Tonbiegung (fallend oder steigend)
macht einen Bedeutungsunterschied. So kann die Silbe "ma", je nach
Tonbiegung, die Bedeutung von "Mutter", "Pferd", schimpfen, etc.
annehmen. Ein beliebtes Beispiel hierfür ist der Satz: "Schimpft die Mutter das
Pferd?" 
. Die Zeichen über den Vokalen deuten die fünf verschiedenen Töne
(richtiger: Tonbiegungen) der chinesischen Umgangssprache an: 
steht für den geraden (1.) Ton, 
steht für den fragenden (2.) Ton, 
steht für den (3.) Ton, der erst abfällt, um dann wieder
aufzusteigen; 
bezeichnet den fallenden (4.) Ton,
der wie ein Befehl im Deutschen klingt und ein Punkt 
steht für den leichten (5.) Ton, der keine
besondere Biegung aufweist.
