大约在13世纪末，“人类口腔发出的声音”，这个词源自古法语 voiz，意为“声音、言语；词语、说法、谣言、报告”（现代法语为 voix）。它又源于拉丁语 vocem（主格为 vox），意为“声音、发声、呼喊、语言、词汇”（意大利语 voce，西班牙语 voz 皆源于此）。这个词与 vocare（意为“呼唤”）相关，来自原始印欧语根 *wekw-，意为“说话”。
大约在1300年起，这个词开始用来指“特定的音调、声音特征或质量”。到14世纪初，专指个体的声音。表示“歌手的能力”这一含义出现于约1600年。
在中古英语中，这个词也可以指鬼魂、上帝、半人马、青蛙等。在14世纪初，它被用作无生命物体（如风、水、雷声）的表达媒介，后来也用于抽象概念（如法律、名声、荣誉、真理），甚至比喻指代血液和心脏。到1865年，它开始被用来指龙虾。
在语法中，这个词指“动词的形式或变化，表示主语与动作之间的关系”，这一用法出现于14世纪末。
14世纪末，这个词开始表示“情感等的表达”，最初多用于上帝等抽象概念。此时，common voice（大众声音）意指“人民的声音”。到15世纪中期，它还被用来表示“在立法机构中发言或投票的权利或特权”。1855年，这个词被用来表示“表达的意见或选择”。到1590年代，它又指“发言者、演讲者”；早期则有比喻义，指“表达某种观点的人、倡导者”（约14世纪末）。在《怀克里夫讲道集》（约1425年）中，施洗约翰被称为“vois of Goddis werd”（上帝话语的声音）。由此衍生出 Voice of America（美国之音）等表达。
1911年，这个词被赋予了“无形的灵魂或力量，尤其是在精神疾病语境中（如 hear voices（听到声音））”的含义。
这个词取代了古英语中的 stefn（声音），其词源可追溯至原始日耳曼语 *stemno，再往前则源于原始印欧语 *stomen-（参见 stoma）。
