Из чего состоят слова, которые мы слышим и произносим?

Коротко: слова, которые мы слышим и произносим, состоят из речевых звуков. В языковедении это описывают так:

1. Фонемы и звуки (фоны).
   Минимальные единицы, различающие смысл, — фонемы. Они реализуются в речи конкретными звуками (аллфонами). Например, в паре «лук» — «луг» различаются фонемы /к/ и /г/, и от этого меняется значение.

2. Гласные и согласные.
   Звуки делятся на гласные (голос проходит свободно, образуют ядро слога) и согласные (есть преграда в речевом тракте). Согласные различают по месту образования (губные, переднеязычные и т. п.), способу образования (смычные, щелевые, аффрикаты), звонкости/глухости и твёрдости/мягкости. Гласные — по подъёму языка, ряду, огубленности и долготе/краткости (в некоторых языках).

3. Слоги.
   Звуки объединяются в слоги; обычно ядро слога — гласный. Слоговая структура слова влияет на удобство произнесения и ритм.

4. Надсегментные характеристики (просодия).
   Ударение, интонация, темп, длительность, тембр и тон (в тональных языках) накладываются на последовательность звуков и помогают различать значения и типы высказываний.

5. Фонетические процессы.
   В живой речи звуки влияют друг на друга: ассимиляция («сд» → [зд]), оглушение/озвончение на стыках, редукция гласных и т. п. Поэтому одна и та же фонема может звучать по-разному — это и есть аллофоны.

Итого: слышимые/произносимые слова — это последовательности фонем, реализованных конкретными звуками, сгруппированных в слоги и оформленных просодией. Письменные буквы лишь приблизительно передают эту звуковую, фонетическую структуру.