Somalisk er nærast i slekt med oromo og afar. Gjennom islam har somali fått ein del lånord frå arabisk, hovudsakleg innanfor det religiøse vokabularet. Det finst òg lånord frå engelsk og italiensk. Jamført med andre kusjittiske språk er somalisk relatativt godt vitskapleg skildra.
Dialektar
Saeed 1999 deler inn dei somaliske dialektane i tre grupper: nordleg, benaadir og maay. Nordleg somalisk (eller nordleg-sentral somalisk) kan haldast for å vere standardsomalisk, og det er den som blir brukt i til dømes radiosendningar frå somaliske radiostasjonar.
Benaadirsomaliske dialektar blir også kalla kystsomalisk, i og med at dei blir snakka langs Banaadirkysten, frå Cadale til sør for Baraawe, inklusive Mogadishu. Det finst fleire fonem i kystdialektane enn i standardsomalisk.
I det sørlege Somalia bur folkegruppene digil og mirifle (som også blir kalla rahanwayn). Dei språkvariantane som desse gruppene talar kan etter nyare studiar (Diriye Abdullahi, 2000) ikkje forståast av mange talarar av somalisk. Den viktigaste dialekten for desse folkegruppene er maay, men her finst til og med jiido, dabare, garre og sentral tunni. Den dialekten som er vanskelegast å forstå for talarar av standardsomalisk er jiido. Maaydialektane skil seg frå dei øvrige dialektgruppene er at dei saknar faryngalefonem. Dessutan blir det retroflekse/ɖ/ erstatta av /r/ i vissa posisjonar.
/ɖ/ er ein stemd retrofleks lukkelyd. Visse fonetikarar hevdar at i det minste for vissa talarar er han implosiv. Lyden kan også no og då realiseras som flappen[ɾ] i intervokalisk posisjon, det vil seie mellan to vokalar.
Dei ustemde lukkelydane /t/ og /k/ blir alltid realiserte med aspirason, altså
som [t̪ʰ] og [kʰ] (som på norsk).
Den uvularefrikativen/χ/ blir ofte uttalt som [x], altså dom ein ustemd velar frikativ. Dette fonemet finst berre i lånord frå arabisk. Om orda blir noko meir tilpassa somalisk fonologi, blir lyden erstatta med lukkelyden /ɢ/.
/r/ blir ofte uttalt med luftfylt stemme og kan vara delvis avtonat. Mellom vokalar kan fonemet uttalast som eitt enkelt slag.
Vokalar
Somalisk har tjue enkle vokalar (monoftongar). Fem grundleggande former kan delast inn i i fremre og bakre former. Desse ti formene finst deretter som lange og korte, slik at ein totalt får tjue fonem. Vokalkvaliteten blir ikkje påverka i noka høgare grad av skilnadar i vokallengde (igjen som på norsk).
På same måte kan dei fem grundleggjande diftongformane finnast i bakre og fremre versjoner og i lange og korte med omsyn til førstedelen av diftongen. Eit unntak er /ɞi/, som ein ikkje har funne i nokon bakre versjon.
Somaliske diftongar
Kort fremre
Lang fremre
Kort bakre
Lang bakre
æi
æːi
ɑɪ
ɑːɪ
æʉ
æːʉ
ɑu
ɑːu
ei
eːi
ɛɪ
ɛːɪ
ɞi
ɞːi
ɔɪ
ɔːɪ
ɞʉ
ɞːʉ
ɔu
ɔːu
Tone
Tone kan bli markert i skriftpråket på denne måten:
akutt aksent ´ - høgtone
grav aksent ` - lågtone
sirkumfleks ^ - fallande tone
Tonar på långa vokalar blir markert på dey første vokalsymbolet.
Somalisk brukar ordtone for å gjere grammatiska distinktioner, men ikkje for leksikalske distinksjonar. På den måten kan singular og plural, eller maskulinum og femininum skiljast frå kvarandre med hjelp av ordtone. T.d.: ínan («gut») og inán («jente»). Dette kan ved første augnekast sjå ut som ein leksikalsk skilnad, men det utgjer ein del av eit mønster for å skilje maskulinum og femininum frå kvarandre, jfr. ord som daméer («eselhingst») og dameér («eselhoppe»).
Tonen si rolle i somalisk har vore omdiskutert i lang tid. No ser det ut til at det har vorte konsensus om følgjande:
I somalisk er det moraen som ber tonen, ikkje sjølve vokalen. Ein lang vokal eller ein diftong består av 2 mora og kan dermed bere to tonar. Kvar mora blir definert som berar av høg- eller lågtone. I kvart einskild ord kan berre ein høg tone opptre, og denne må liggje på den siste eller nestsiste moraen. Partiklar, dvs. preposisjonar, klitiske pronomen, upersonlete subjektpronomen og fokusmarkørar, kan ikkje ha høgtone. Dermed finst det tre moglege aksentmønster i ordrøter.
Fonetisk finst det tre tonar: høg, låg og fallande. Reglar:
På ein lang vokal eller ein diftong realiserast ein sekvens av høg og låg som en fallande tone.
På ein lang vokal eller ein diftong realiserast ein sekvens av låg og høg som høg-høg (tidvis stigande).