由此看来，一方面声态和体态，在表征人的内在情态的过程中，是处于同态并存的关系。声态不能离开体态而独立表情，甚至，从某种意义上说，声态就是体态的某部位的特殊动作所产生的某种特殊的声音现象。体态是声态表情的前提和基础，是声态表情不可缺少的组成部分；另一方面，体态具有其不依赖声态的独立的表情作用。无论是在言说或是在沉默的境况中，它都能起到表征人的内在情态的作用。从这个意义上说，体态比声态在表征人的内在情态上，具有更大的普遍性和独立性。
既然，体态在表征人的内在情态上比声态具有更大的独立性，为何在人类艺术的发展中，舞蹈始终不能发展为一种独立艺术，而音乐却能从与舞蹈的综合中独立出来？对于这个问题，我们先来考察一下音乐和舞蹈何以能综合的条件。
音乐和舞蹈是人类历史形成的最古老的综合艺术形式之一。在人类语言还没有形成之前，人类就在使用自己的声态和体态来表达自己的内在情态了，无论从生理和心理的角度，这种表达从一开始就是天然合一、浑然一体的。而且这种声态体态合一的表达是人类音乐舞蹈的最初萌芽。弗朗兹-博厄斯在《原始艺术》中认为：“在人类语言中，很可能是先有表达感情的叫声，然后才有具有含义的内容的，叙述性的表达则更晚一些。”人类原始的叫声：“很可能是早期交流思想的形式。”人类祖先不仅用声态来交流情感，体态在情感的表达和交流中也起到重要的作用，而且还在当时恶劣环境中起到生存保护的作用。达尔文在《人类和动物的表情》一书中认为，人类祖先在与危害自己的对方搏斗时，往往用毛发竖立、呲牙咧嘴、怒目圆睁、狂蹦乱跳等体态来表达自己的愤怒惊恐的情感并用其恐吓对方保护自己。原始人类的这些动作，通过遗传和进化，至今还遗存于现代人的表情体态中。在语言形成以后，同样，“人们用身体的动作和口头的言辞表达某些强烈而有节制的感情，而当语言具备一定感情的时候，也就形成一定的形体动作。人们经常把歌曲和舞蹈、歌曲和游戏、某种手势和生动的语言结合在一起，即可说明这一点。舞蹈和音乐总是分不开的”。
人类原始歌舞最早使用的表达手段是什么？格罗塞认为，“人类最初的乐器，无疑是嗓声（voice）”王光祈在《中国音乐史》中认为：“盖歌唱所用歌喉，跳舞所用手足，皆为人身所具有，不必外求，世界上一切未开化民族无不优为者也。”也就是说人类最初使用的乐器是自己的天然的肉体，不仅用嗓声来表达内心的情感，而且还用手舞足蹈的击掌和跺地发出的声响为歌伴以节奏和舞蹈。原始舞蹈最初的所谓音乐的伴奏，与其说是伴奏还不如说是舞蹈者本身的体态动作和叫喊发出的声音。也就是说，最初的音乐，从某种程度上说，是人体本身或者说是舞蹈者体态运动本身的直接产物，其节奏、音调是依附于舞蹈的体态动作的。瓦尔特-索列耳为《美国百科全书》撰写的“舞蹈”条目中认为，“在原始社会中，舞蹈、音乐和戏剧是整个公社举行的某一礼仪的一个部分。起初，舞蹈者自己唱歌、喊叫或者拍手，来为自己提供‘音乐’――这种做法至今还可以在某些民间舞蹈中见到。由于比较复杂、比较刚健有力的舞蹈要求舞蹈者付出更多的精力，所以，音乐伴奏的任务就交给了观众，后来终于又交给了一批专门训练的乐师――他们组成了歌队或乐队。”在索列耳看来，原始的舞蹈和音乐最初都是由舞蹈者自己完成的，舞蹈者是在边歌边舞中同时实现舞蹈表演和音乐伴奏的双重功能的。舞蹈体态动作的难度和复杂程度的不断提高，或者说专业化水平的不断提高，才促使音乐伴奏的功能逐渐地从舞蹈者表演中分离出去。最初是由观众喊叫或歌唱再加以击掌或敲击物体作为伴奏，而后，逐渐从观众中演变出一种专门受过训练的歌者和乐师组成的歌队和乐队为舞蹈者伴奏。按索列耳的观点，舞蹈中音乐伴奏的角色经历了由舞蹈者――观众――音乐家（歌者、乐师）的由综合到分化、由非专业到专业的逐渐演变的过程。
舞蹈中舞蹈者和音乐伴奏者的角色的由综合到分化、由非专业到专业的逐渐演变的过程，还涉及到一个相关的舞蹈音乐伴奏手段的逐渐演变的问题。如果说原始舞蹈的音乐伴奏最初使用的是人本身的器官（嗓音、手足击打）发出的声音的话，那么原始舞蹈的音乐伴奏又是如何从人自身的天然乐器转化到人自身以外的人造乐器的呢？人类最早的人造乐器又是什么呢？普列汉诺夫在其《没有地址的信》中就这一问题谈了自己的看法。他认为，“对于原始民族，音乐中主要的东西是节奏，所以不难了解，他们的简单的音乐作品是怎样从劳动工具与其对象接触时所发出的声音中产生出来的。这是用加强这些声音、使他们的节奏增加某种花样、总之使它们适合于表现人的感情这样一些办法来完成的。但是要做到这一点，必须首先改变劳动工具，而这样一来，它们就变成乐器了。”他由此认为，“生产者用以简单地敲击自己劳动对象的工具，一定比其他都更早地经历这种变化。”在普列汉诺夫看来，人类最早的人造乐器是打击乐器，它来源于对劳动工具改造。这是一个非常重要的观点，它对乐器的起源作了历史唯物主义的合理的解释。