我国诗歌发展至盛唐，众体兼备，声律完善，诗的节奏感与音乐美大大增加了，近体诗尤为突出。这就为词体的形成提供了必不可少的条件。音乐与诗歌结合，是自《诗经》以来就形成的传统。隋唐时代，随着诗乐的长足进步，人们对诗乐结合也提出了新的审美要求，而词正是顺应了这一要求，在宴乐与诗歌的结合中诞生的一种配合燕乐歌唱的新型诗体，有着既属于音乐又属于文学的双重性，它的产生与形成，依赖于音乐与诗歌各自的发展，以及诗乐结合方式的变革和演进。最早与配合宴乐的诗歌，有五、七言绝句，也有杂言诗体。就诗词的传承关系来看，它们是词的两支源头；从声律上看，它们已具有词的某方面的特征，但与成熟的词体又有一定差别。在与乐曲的结合过程中它们不断作着自我调整，相互借鉴并并吸取了对方形式上的长处，蜕变成一种新的诗体。词也正是既接受了近体诗的声律规则，又接受了杂言诗的长短句式才自成面目，并以此作为自身的两大标志。
隋唐燕乐的形成，造成了大量具有固定曲谱的流行乐曲，盛唐崔令钦在所著《教坊记》中列出了三百二十四支曲名，其中绝大多数成了后来的词牌。所以到了出现词曲的时代，先有辞后有曲的情况反过来了，变成先有歌谱，然后按谱填词或曲，这是声律成熟发展的结果。既然词是配合隋唐之际新兴的燕乐演唱的，那么，它的起源就不会早于隋唐。况且，中原人士对外来音乐还有一段适应与熟悉的过程，不可能立即为新乐填词。结合敦煌石窟保存的早期“曲子词”来分析，大约是入唐以后中原人士才开始为比较成型的燕乐填写歌词。因此，词应该是在初唐以后逐渐萌芽生长而成的。综上所述，词的起源应该从音乐和歌词两方面考察。因声度词成为普遍的创作方法，曲子词随即大量出现了。早期曲子词在民间流行，多俚语俗词，当文人们接触到乐工歌妓，因而介入曲子词的创作时，这种富有音乐性、辞式随曲调要求而作长短参差的作品，逐渐被看作一种新兴的文体。一旦这种音乐文学中的文学因素成长起来，摆脱其音乐性而获得独立，作为音乐文学的曲子词就变成了作为单纯文学的词。“曲子词”和“词”，代表了“词”起源和形成的两个阶段。
宋词、北曲和南曲的辞文都是用来演唱的，所填的每一个词牌或曲牌原来都有相应的乐谱，时过境迁，现在保留下来的只有很少一部分，大多数只剩下格律谱。但是乐谱的痕迹还是遗留下来。例如在查阅王奕清编制的《钦定词谱》或万树所著的《词律》时，许多词牌都附有它的宫调。曲谱，不管是最早出现的朱权所著的北曲曲谱《太和正音谱》和蒋孝所编的南曲曲谱《南词旧谱》或是后来王奕清编制的《钦定曲谱》（又名《康熙曲谱》）更是每个曲牌都有其宫调，长期以来昆曲和某些地方戏曲中还以工尺谱的形式保留了许多曲牌的乐谱，特别是南曲曲谱，例如没有记错的话京剧中就有《小桃红》这个曲调，北曲曲牌也有一个《越调 小桃红》当然两者不会完全一样，这里越调就是一种宫调。这里所谓的宫调，前面讲的郑译创立的八十四调理论以及俗乐（或燕乐）二十八调都涉及汉民族的乐律，下面简单介绍一下。
琴弦振动产生声波就是音，音有绝对音高和相对音高。振动的频率（也就是一秒中内振动的次数），就决定了的音的绝对高度。比如，我们说某个音的绝对音高是某个八度中的A，那就是说，发这个音的时候，振动的频率是440赫兹，也就是每秒振动440次，不同的音都有一个振动频率。我们取一定频率的音形成了音乐体系中所需要的音高，并用英文字母一一表示它们为C，#C，D，bE，E，F，#F，G，bA，A，bB，B共十二个，称为音名。每两个音之间的频率比值等于2的十二次方根，这种定音的方式因为音的频率比相等，就称为十二平均律，十二平均律是明代藩王朱载堉对世界音乐的巨大贡献。每两个相邻音名的音，其音高之差音乐上称为半度，也就是说C和#C相差半度和D相差一度，以此类推。如果B再往上升半度，这个音的频率刚好是C的一倍，而在音乐上称为一个八度，这两个音听起来“很象” 。中国民族音乐也是把音高相差八度分成十二份，不过不叫“音名”而叫“律位” ，从战国后期起这些律位的名字也统一为：黄钟、大吕、太蔟、夹钟、姑洗、仲吕、蕤宾、林钟、夷则、南吕、无射、应钟，简单地可以和前面所讲西洋音乐的十二个音名一一对应（更详细研究，不同时代对应关系是不同的，而且在朱载堉之前相邻两个律位音高相差也并不是刚好半度，不过那是音乐家的事，这里不深入讨论）。