حدود 100 سال است که پدیدۀ زبان‏ شناختی «نمادپردازی آوایی»، یعنی پیوند مستقیم و غیرقراردادی میان آوا و معنا، در معرض مطالعات تجربی قرار داشته، و پژوهش‏های متعددی به منظور کشف ابعاد مختلف آن صورت گرفته است.  اما بااین‏ همه، هیچ پژوهش درخور اعتنایی دربارۀ آنکه اساساً چرا این پدیده روی می‏ دهد انجام نشده است. شاید یکی از دلایل این امر آن باشد که تاکنون این پدیده بر پایۀ هیچ نظریه و/یا تحلیل معناشناختی بررسی نشده است. با‏این‏ همه، زبان‏ شناس آمریکایی ادوارد سپیر نخستین‏ بار دو عامل محتملی را که هردو یا هریک به‏ تنهایی می‏ توانند در وقوع این پدیده دخالت داشته باشند برشمرد: عامل صوت‏شناختی، یا عامل حسی‏ حرکتی مربوط به تولید واج، (یا ترکیبی از هردو). مقالۀ مروری‏ تحلیلی حاضر، می‏ کوشد تا برای نخستین ‏بار بر پایۀ نظریۀ استعاره (و مَجاز) مفهومی توضیح دهد که چگونه هریک از این عوامل یا هر دو آن‏ها می‏ توانند در وقوع این پدیده نقش داشته باشند. بدین ترتیب، می توان پاسخ رضایت‏ بخشی به این پرسش داد که چرا پدیدۀ نمادپردازی آوایی روی می دهد. وانگهی، این پاسخ می‏تواند راه را برای ملاحظات نظری بیش‏تر دربارۀ تکوین بالقوۀ واج شناسی "شناختی" بگشاید.