如果思考一个问题，人类的语音究竟是如何发出来的。一般我们听到的理论是，声带振动发音。但是这个答案其实是把问题大大简化了。人类的发音过程，大概可以分为胸腹肌肉收缩，压出肺部气体，同时喉部专门用于发音的特化肌肉、声带紧张振动，给出一个基本的声音，这个声音被咽腔，胸腔，口腔等部位的肌肉共振再次塑造，最后产生我们听到的声音。也就是说，实际上整个声道，整个肉管子，都参与了语音的制造。在发音过程中，我们实际上是把整个发声腔的肌肉共同协作，让它成为一个暂时的“乐器”
那么，中文发音和英语发音，区别究竟在哪里呢，大家在讨论发音时，似乎都集中在嘴唇的形状和舌头的位置上。但实际上，嘴唇和舌头位置，仅仅是发声道的最末端而已。中英文的发音区别，关键是之前的占了90%以上发声距离的整个声道的肌肉组织和运作的问题。
先考虑下中文发音的特点，中文发音的特点大概是，有两个紧张点，一个是最前面环绕嘴唇的肌肉，一个是喉部声带的位置。声带主要负责给出一个基础音，这个声音相对来讲，是一个较少被咽腔修饰的，喉音成分比较重的音。除此以外，中文发音时整个声道是比较窄，比较僵的，这个音直接从声带“打在”唇齿的部位，就产生了我们能听到的中文发音。
中文的声调，也和这个发音方式有很大的关系，因为后面的用力点集中在声带附近，所以比较容易很快改变音调，但也因为声带发声在中文里的核心作用，中文实际上没有英语那种自然的旋律感。说与唱的区别明显。
中文发音特点，导致中文语音特点的一个方面是“喉音重”，这也是导致中文口音不太被西方接受的一个原因。因为模仿英语放弃了嘴唇强修饰，又因为缺乏咽部共振带有喉音的口音确实在西方人听起来是有点刺耳。
中文发音的方式如果用乐器比喻，有点像弦乐器，琴弦基础振动被琴弓强烈修饰，产生的声音比较有金属感，但是拉不好也容易有刺耳感。
说完中文以后，我们看英语的发音模式。如果说中文的感觉，是声带发出来的音直接打在嘴唇上，那么，说英文的感觉，就是声带发出来的音，打在咽壁上产生清晰可辨的音素，而中文里面由唇齿集体承担的修饰共振作用，共振交给了咽腔，修饰实际上是交给了舌根咽壁那么一圈张大嘴的部位。也就是说舌根到声带这个部位，才是英语发音的主要动力部位，而发中文强调的唇齿部位，在英语里只是跟着后面的肌肉动而已，自身基本不会紧张。苹果肌才是英文发音时前端需要紧张的肌肉。综合来看，英文发音时需要调整声带附近整个咽壁的形状，伸缩，大小，使得英文的发音模式更像管乐器。
进一步，可以参考英语母语的人对他们自己发音模式的理解，《芝麻街》里小人唱歌是怎么张大嘴的，漫画里画人说话是怎么画的，就可以对英文发音模式有更直观的理解了。
当然，英文这个发音模式，导致他们从说话到唱歌的转换更加自然，但也使得他们发音的能量和损耗更大，容易产生的问题更多，而且较为暴露的咽腔，可能也使得他们对油烟什么更加敏感。
再举一个例子，英语世界里还有大量的“腹语者”，他们可以在表面的嘴唇肌肉看不出任何改变的情况下，发出非常清晰的语音。
对于“中国人说不好英语是不是因为种族差异”的问题，当然发音时，任何器质性的区别，如肌肉厚度等，都会给最后的声音带来差异。但是，就像这个回答里很多人的逻辑一样，按照绝大部分中国人学习发音的改变程度，还远远不到讨论“种族差异”的问题。很多中国人，包括我当年，发英语语音的难点在于，因为缺少音乐和歌唱、演讲训练，日常说中国话也不能锻炼咽腔，到了学习口语的时候，咽腔的肌肉因为长期得不到锻炼，自己都意识不到存在了，也就很难通过无意识的学习模式成功。
所以，对很多口语有问题的中国人来说，解决的关键在于，找到并打开长期不用的咽腔肌肉。很多口语教学方法，比如李阳疯狂英语，唱歌学英语等等，其实都是利用大喊或者唱歌时，需要打开咽腔这个办法改善发音时的共振效果的。但是实际上最有效率的办法还是在意识到问题以后，直接锻炼咽腔，具体锻炼方法可以参考美声的发音训练法则。相信这一关过去以后，虽然不能说口语可以达到百分之百完美，因为这还取决于模仿目标和模仿细节，但是达到西方国家人的口语状态，就是有一个“可以被接受”的口音，还是可以期待的。
总之，中国式口音和英语的根本矛盾在于中式发音的喉音成分太多而没法被说英语的人接受。考虑到说英语的根本目的还是被英语母语者理解（除非和新加坡一样，是中式口音的人内部理解）意识到这个问题，并且针对性的特殊训练去解决问题，成本和效果恐怕比坚持“有口音是正常的”和简单模仿对话式的口语训练，最后再在考试和交流过程中碰壁要好得多。