§8. Język kaćja posiada 6 krótkich samogłosek: a, e, o, ə, i, u, z których trzy pierwsze określane są jako kardynalne. Samogłoskę ə zapisuje się też jako ë, zwłaszcza gdy brak odpowiedniej czcionki. Jest to samogłoska o dość zmiennej wymowie, wahającej się od tylnej samogłoski średniego poziomu, podobnej trochę do polskiego o, lecz niezaokrąglonej, poprzez samogłoskę centralną (jak w angielskim przedimku a) aż do wysokiej, zbliżonej do polskiego y (wymowa wysoka nie jest zalecana w sąsiedztwie sonorantów).
§9. Każda z tych sześciu samogłosek ma także odpowiednik długi. Samogłoski długie są dwumorowe, dwukrotnie dłuższe od krótkich. Kardynalne samogłoski długie zapisywane są dwojako: ee, aa, oo lub eh, ah, oh (z h niemym), przy czym różnica ma uzasadnienie historyczne i morfologiczne (zob. też §11). Zapis z h jest częstszy, zapis z podwojeniem wiąże się zwykle z określoną funkcją gramatyczną. Wobec pozostałych samogłosek długich stosuje się tylko zapisy ih, uh, əh. Zapisy w rodzaju uu nie występują, a przy zbiegu dwóch takich samych samogłosek spotykamy grupy ji, wu, hə lub iji, uwu, əhə (zob. §16).
Krótkie i długie samogłoski niewiele różnią się barwą; zarówno krótkie e, o, jak i długie ee / eh, oo / oh mają wymowę szeroką. Əh jest mniej zmienne niż ə i ma zawsze wymowę centralną, przypominając samogłoskę w wyrazie girl w wymowie brytyjskiej. Uwaga: h jest nieme tylko wtedy, gdy jest tautosylabiczne, tj. gdy występuje w tej samej sylabie, a więc gdy nie stoi przed samogłoską. Np. w wyrazie rehe nie ma samogłoski długiej, a h oznacza normalną spółgłoskę (o jej wymowie zob. §21), ale rehte będzie wymawiane [reete].
§10. Istnieje 8 krótkich (dwumorowych) klasycznych dyftongów opadających: ei, ai, oi, əi, eu, au, ou, əu, a także 6 dyftongów długich (trzymorowych), zapisywanych eei, aai, ooi, eeu, aau, oou lub eih, aih, oih, euh, auh, ouh (nieme h stawia się po całym dyftongu). Należy zwrócić uwagę na różnicę w wymowie między np. tauh a tauha (w tym drugim wypadku h jest normalnie wymawiane, a dyftong jest krótki, tj. dwumorowy). W odmianie i słowotwórstwie dyftongi często wymieniają się do samogłosek wysokich, np. ai : i, ou : u. Klasyczne opracowania fonologii kaćjańskiej nie wspominają o dyftongach rosnących. Za takie można jednak uznać połączenia zapisywane z użyciem symboli spółgłosek, np. je, wo, zwłaszcza, że często ulegają one wymianom do samogłosek wysokich: je : i, wo : u. Wymiany tego rodzaju określane są sanskryckim terminem samprasarana.
§11. Akcent kaćjański jest podobny do polskiego i polega głównie na podniesieniu tonu, a dodatkowo na nieco większej intensywności artykulacji, poza tym samogłoska akcentowana jest bardziej napięta od nieakcentowanej. Jedną z osobliwości języka kaćjańskiego jest fakt, że akcent (główny) może padać wyłącznie na samogłoskę kardynalną (krótką, długą lub jako element dyftongu). Zasada ta jest bezwyjątkowa, nawet w zapożyczonych nazwach własnych w miejsce akcentowanych samogłosek wysokich wprowadza się odpowiednie dyftongi, a (nieodmienne) wyrazy bez samogłosek kardynalnych nie mogą być akcentowane. Gdy istnieje potrzeba zacytowania wyrazu używanego normalnie jako enklityka i pozbawionego samogłosek kardynalnych, wówczas na miejscu i wprowadza się ei, na miejscu u – ou, na miejscu ə – ah (długie [aa]). Akcentu nie oznacza się w żaden sposób w piśmie w następujących przypadkach:
Poza tym akcent oznacza się znakiem akutu: é, á, ó. Opuszczenie akcentu jest błędem ortograficznym, choć w słownikach litery akcentowane liczone są tak jak zwykłe e, a, o. Postawienie „nadmiarowego” akcentu nie jest natomiast uważane za błąd, i bywa stosowane zwłaszcza w tekstach szkolnych. Np. w nazwie własnej języka kaćja znak akcentu nie jest potrzebny, czasem jednak pisze się káćja.
Akcentowane kardynalne samogłoski długie niosą znak akcentu zawsze na pierwszej samogłosce: ée, áa, óo. Zapis taki odpowiada w pełni kaćjańskiej intonacji, która w takich wypadkach jest opadająca, to znaczy że akcentowana jest tylko pierwsza mora, zgodnie z zapisem. Podobnie zapisuje się akcentowane dyftongi, np. ái, áai.
Pewien problem może stanowić wymowa samogłosek zapisywanych éh, áh, óh (z h niemym), które wbrew sugestii ze strony pisowni są akcentowane na drugiej morze, a więc np. éh oznacza w istocie [eé]. Całość przypomina nieco polską intonację pytającą (w kaćjańskim często pierwsza mora bywa wymawiana intensywniej i głośniej, natomiast druga mora mniej intensywnie, ale zawsze wyżej). Kolejna sylaba w wyrazie po takiej samogłosce długiej, jeśli istnieje, ma ton zdecydowanie niższy. Różnica intonacji występuje także pomiędzy np. óou a óuh (w tym drugim przypadku występuje intonacja rosnąco-opadająca, czyli wymowa [oóu]). W pozycji nieakcentowanej znika natomiast teoretycznie wszelka różnica wymowy między np. aa a ah oraz między aau a auh, jednak ortografia ma wciąż uzasadnienie morfologiczne. Poza tym nieakcentowane samogłoski długie i wszelkie nieakcentowane dyftongi (długie i krótkie) otrzymują, zwłaszcza w wolnej wymowie, słaby akcent poboczny, i wówczas różnica intonacji jednak jest zachowana.
§12. Połączenia sonorantu (płynnej lub nosowej) z poprzedzającą samogłoską występującą w tej samej sylabie uważane są za kwazidyftongi, np. al, eŋ, or, əm. Istnieją ich długie odpowiedniki: aal, alh, do których odnoszą się wszystkie powyżej podane uwagi o intonacji. Należy zwrócić uwagę, że nie ma długich dyftongów (zwykłych i kwazidyftongów) z samogłoską centralną ə (a więc nie ma tautosylabicznych połączeń typu **əih ani **əlh).
§13. Ośrodkiem sylaby akcentowanej może być zatem jedynie samogłoska kardynalna (także jako element dyftongu). Ośrodkiem sylaby nieakcentowanej może być natomiast samogłoska kardynalna, samogłoska wysoka i, u, samogłoska centralna ə, a także dowolny dyftong bądź samogłoska długa. Ponadto ośrodkiem sylaby nieakcentowanej może być (jak w czeskim, słowackim, czy jak w angielskim settle [setl]) sonant: spółgłoska płynna l lub r, albo też jedna z trzech kaćjańskich spółgłosek nosowych m, n, ŋ, o których w §24. Podobne sylabiczne nosówki znamy np. w angielskim listen [lisn] czy niemieckim haben [habm]. Spółgłoski sylabiczne nie są oznaczane w piśmie w żaden dodatkowy sposób, ale ich wystąpienie jest łatwo przewidywalne: występują zawsze albo między spółgłoskami, albo na granicy wyrazu – przed spółgłoską na początku lub po spółgłosce na końcu. Różnica wymowy sylabicznej i niesylabicznej nie ma więc żadnej wartości fonologicznej, a zmiana odbywa się automatycznie w odmianie wyrazu lub słowotwórstwie.
§14. W kaćjańskim zabronione są tautosylabiczne połączenia typu **ir. Zamiast nich spotyka się jr z sylabicznym r. Wymowa takich połączeń może nastręczać poważne kłopoty, np. w atkajr ‘weź’ (trzy sylaby: [at-ka-jr]). Jeszcze poważniejsze trudności w wymowie występują w formach typu takjr ‘bierz’. W praktyce połączenia takie wymawia się [atkajərə], [takjərə] z krótkimi samogłoskami centralnymi tak, że całe [ərə] ma długość jednej krótkiej sylaby. Tego rodzaju nieetymologiczne samogłoski mają często wymowę podwyższoną i bliskie są polskiemu y. Należy wystrzegać się wymowy **takir, która tylko dla nas wydaje się łatwiejsza.
Trudne fonetycznie połączenia typu takjr są często likwidowane przez dodanie samogłoski kardynalnej (jest to tzw. samogłoska dodana), w wyniku czego powstaje forma w rodzaju *takira. Tu już połączenie -ir- nie narusza reguł, gdyż oba elementy nie należą do tej samej sylaby. (W trybie rozkazującym afiks jr zastępuje się przez ja, co rozwiązuje problem wymowy.)