Muzyka pojawiła się wcześniej niż sztuki i języki, te dwa ostatnie są niemal wyłączną własnością Homo sapiens. Wcześniejsi potomkowie człowieka nie posiadali zdolności umysłowych niezbędnych do opracowania złożonego języka, zmuszeni więc byli trzymać się systemu komunikacji opartego na dźwiękach, które zmieniały rytm i melodię. Z kolei do tych dźwięków dołączali gesty i ruchy, reprezentując jako całość proste znaczenia dotyczące emocji, które chcieli przekazać swoim rówieśnikom. Choć do osiągnięcia dzisiejszego poziomu było jeszcze daleko w historii, muzyka i język werbalny miałyby tu swój prymitywny punkt wyjścia.

Klarnet w muzyce jazzowej

Jednak, choć muzyka i język werbalny mają wspólne pochodzenie, istnieje między nimi ogromna różnica. Dźwięki, które przypisujemy słowom, nie mają żadnego związku z ich rzeczywistym znaczeniem. Na przykład, słowo „pies” jest abstrakcyjnym pojęciem, które zostało przypadkowo przypisane do tego ssaka. Zaletą języka byłoby to, że pewne dźwięki mogą odnosić się do bardzo precyzyjnych rzeczy. Dźwięki muzyki byłyby w pewnym sensie naturalne i można by powiedzieć, że: „muzyka wydaje się znaczyć to, co brzmi”, choć znaczenie tego jest często niejednoznaczne i nie da się go wyrazić dokładnymi słowami.

W związku z tym badacze z Uniwersytetu w Sussex przeprowadzili międzykulturowe badanie na poparcie tej tezy. W swoich badaniach badali rozpoznawanie trzech podstawowych emocji (szczęścia, smutku i strachu) obecnych w różnych zachodnich piosenkach przez członków afrykańskiego plemienia Mafa, którzy nigdy nie mieli kontaktu z innymi kulturami i oczywiście nigdy nie słyszeli prezentowanych im piosenek. Mafasowie rozpoznawali piosenki jako radosne, smutne lub wywołujące strach, więc wydaje się, że te podstawowe emocje mogą być również rozpoznawane i wyrażane poprzez muzykę.