W XX w. fonem definiowano na kilka sposobów, zależnie od podejścia teoretycznego danej szkoły językoznawczej. Najbardziej znane definicje to: mentalistyczna – fonem to „wzorzec psychologiczny” dźwięku, który mówiący stara się odtworzyć; fizyczna – fonem to zbiór dźwięków spełniających pewne warunki dystrybucji i podobieństwa; funkcjonalna – fonem to najmniejsza jednostka języka, zdolna do różnicowania znaczenia (ale sama znaczenia pozbawiona – najmniejszą jednostką znaczącą jest morfem); wywodzące się ze Szkoły Praskiej rozumienie fonemu jako wiązki cech dystynktywnych, co najprościej da się wytłumaczyć jako „kwintesencja istotnych dla użytkowników danego języka różnic pomiędzy dźwiękami”.
Jak widać, wbrew powtarzanemu czasem stereotypowi, w żadnej z liczących się szkół fonem nie jest definiowany jako dźwięk (odróżniający się lub nie). Nowsze teorie (fonologia generatywna) zastąpiły pojęcie fonemu pojęciem segmentu, np. fonologia generatywna programowo rezygnuje w analizie z poziomu fonemicznego, wprowadzając rozróżnienie na segmenty w reprezentacji podstawowej (inaczej: segmenty podstawowe, ang. , w skrócie ) oraz segmenty w reprezentacji powierzchniowej, fonetycznej (ang. ).