Il suono inquietante e ultraterreno del canto difonico tuvano stupisce chi lo sente per la prima volta: come può un cantante emettere due note simultaneamente? Questa antica forma d'arte — praticata da secoli dai tuvani nella pianura siberiana meridionale e tramandata di generazione in generazione — non richiede doti ereditarie o anatomiche speciali. I suoni distintivi derivano dalla manipolazione accurata di corde vocali, lingua, labbra, mandibola e tratto vocale — organi che tutti usiamo per parlare e cantare. Sebbene la manipolazione delle corde vocali giochi un ruolo, non è l'unica responsabile del carattere distintivo, né le corde subiscono stress insolito dal canto difonico.
Il suono della voce umana è guidato dalla vibrazione delle corde vocali — bande cartilaginee parallele in gola. Questa vibrazione crea suoni con un'altezza dominante (frequenza fondamentale) e altezze secondarie (armoniche) a frequenze superiori. Nel parlato e canto normale, le armoniche sono molto più deboli della fondamentale, udibili solo come differenze di timbro (es. due persone che cantano la stessa nota). Nel canto difonico tuvano, i cantanti manipolano la voce affinché un'armonica diventi abbastanza prominente da essere udita come nota distinta, simile a un fischio, sopra l'altezza principale.
Per creare armoniche prominenti, i cantanti tuvani manipolano corde vocali e altri organi fonatori per amplificare armoniche desiderate riducendo le altre. Nel canto e parlato, le corde vibrano chiudendosi e aprendosi rapidamente mentre l'aria dai polmoni passa tra loro nella trachea. Nel canto difonico tuvano, i cantanti tengono le corde chiuse più a lungo e aperte per meno tempo durante le vibrazioni.
Per creare melodie con armoniche, i cantanti tuvani muovono la lingua mentre cantano per regolare l'altezza delle armoniche. Manipolano la lingua in modi diversi nei vari stili per creare effetti acustici distintivi. Questa manipolazione avviene mentre controllano anche le vibrazioni delle corde vocali.
Un'altra strategia: cantare con mandibola spinta in avanti e labbra protruse. Questo preserva l'energia acustica nel tratto vocale, amplificando le frequenze desiderate senza richiedere lavoro extra alle corde vocali.