На втором этапе каждой музыкальной фразе присваивается ассоциация с какими-то типами активности, ритуалами и т. п. («песня трапезы», «песня охоты», «песня дождя»…). Так появляется произвольность знака, хотя на этой стадии единицы коммуникативной системы еще остаются эмоциональными, их функция — управление и манипуляция действиями других. Автор отмечает, что в функции установления и поддержания контакта до сих пор используются фактически нечленимые фразы, смысл которых в минимальной степени зависит от смысла их частей: how do you do, добрый день и т. п.

На третьем этапе такие фразы членятся на отдельные компоненты, на четвертом — использование языка фиксируется генетически в результате отбора на быстрое усвоение языка детьми (отбора, который, отметим, почему-то появляется только на этой стадии, хотя был бы не лишним и на предыдущих). При этом нет необходимости объяснять биологические предпосылки возникновения синтаксиса: при наличии словаря он легко возникнет путем грамматикализации. В основе синтаксиса, как пишет Фитч, лежит, вероятно, моторный контроль действий — сложные действия обладают некоторой собственной внутренней организацией, сходной с синтаксической.

Фитч вполне осознает слабые места своего сценария: он отмечает, что между музыкой и языком имеется немало весьма существенных отличий. Так, музыка во многом построена на повторах, в языке же повторы обычно избегаются. Высоту музыкального тона распознает правое полушарие, а не левое (языковое). Но самое существенное состоит в том, что музыка, в отличие от языка, совершенно не соотносится с реалиями окружающей действительности, тогда как язык позволяет передать другим «конкретные новые мысли». Соответственно, главная загадка — откуда могла в ходе эволюции появиться лексика. Но это, считает Фитч, не препятствует гипотезе о музыкальном протоязыке, а лишь свидетельствует о необходимости ее дальнейшего развития.

Главной движущей силой в эволюции языка, согласно Фитчу, является родственный отбор: родители делятся информацией с потомством, что обеспечивает эволюционный выигрыш (это и позволяет человеческим детям так легко и эффективно усваивать язык). Именно такое направление коммуникации — от родителей к потомству — дает возможность как-то состыковать модель родственного отбора (который в обычных случаях распространяется на всех родичей — не только, а часто и не столько на потомков, сколько на братьев и сестер) и тот факт, что значительная часть группы у приматов — это самки, пришедшие из других групп и не родственные входящим в группу самцам, или самцы, пришедшие из других групп и не родственные входящим в группу самкам (так легче избегать инцеста).