VOCALOIDは，スコアエディター，歌声ライブラリ，合成エンジンから成る。まず，スコアエディターに音符と歌詞，音楽的な表情といった情報を入力する。スコアエディターに入力したデータを基に，合成エンジンは歌声を合成するのに必要な音声素片（音素）を歌声ライブラリから取り出して連結させる。例えば「Sing」という歌詞を歌わせる場合，複数の音素を収めた音素データベースから「＃s」「s-I」「I」「I-N」「N＃」という五つの音素を引き出してつなげる。ビブラートを利かせるなど，歌に表情をつける場合は表情データベースから，こうした表現に必要な周波数情報などを得る。また，音素を単に連結させるだけでなく，人の歌声に近づけるために再生するタイミングや音素間の音色の違いを調整する。なお，音素を作るには，録音した人間の声から切り出して加工する。