大約在13世紀末，「人類口腔發出的聲音」，來自古法語 voiz，意指「聲音、言語；詞語、說法、謠言、報告」（現代法語為 voix）。這又源自拉丁語 vocem（主格為 vox），意指「聲音、發聲、呼喊、語言、詞語」（同源詞還有意大利語 voce、西班牙語 voz），而這些詞都與 vocare（「呼叫」）有關，最終源自原始印歐語根 *wekw-，意為「說話」。
到了1300年左右，「特定的音調、聲音特質或語調」的意思開始出現。14世紀初期，這個詞專指個體的聲音。約1600年，「歌唱者的能力」這一含義也被證實。
在中世英語中，這個詞有時用來形容鬼魂、神祇、半人馬、青蛙等。在14世紀初，它還被用作表達無生命物體（如風、水、雷聲）的媒介，甚至抽象概念（如法律、名聲、榮譽、真理），以及比喻意義上的血液和心臟。到1865年，這個詞甚至被用來指龍蝦。
在語法學中，「動詞的形式或變化，顯示主語與動作之間的關係」的含義出現於14世紀末。
14世紀末，「表達情感等的方式」的意思開始流行，最初多用於形容神祇等。當時的 common voice 意指「人民的聲音」。到了15世紀中期，它被用來指「在立法機構中發言或投票的權利」。1855年，這個詞進一步演變為「表達的意見或選擇」。1590年代，它開始專指「發言者、講者」，而在此之前，它還有比喻意義，指「表達某種觀點的人，倡導者」（約14世紀末）。在《懷克里夫講道集》（約1425年）中，施洗約翰被稱為「vois of Goddis werd」（上帝話語的聲音）。因此，後來出現了 Voice of America（美國之音）等表達。
1911年，這個詞被用來指「看不見的靈魂或力量，特別是在精神疾病的語境中，如 hear voices（聽到聲音）」。
這個詞取代了古英語的 stefn（「聲音」），該詞源自原始日耳曼語 *stemno，最終來自原始印歐語 *stomen-（參見 stoma）。
