Zrozumienie, w jaki sposób język jest słyszany, interpretowany i rozumiany, jest celem tych, którzy badają percepcję mowy. Różne elementy percepcji mowy, takie jak akustyka, fonemy, składnia i inne właściwości, mogą pomóc stworzyć mapę drogową przetwarzania i rozumienia mowy. Poza procesami słuchowymi wykorzystywanymi w percepcji mowy należy również zbadać wskazówki wizualne.
Dwa procesy mają na celu wyjaśnienie sposobu, w jaki ludzie przetwarzają przychodzące sygnały akustyczne, jeśli chodzi o przetwarzanie i rozumienie języka. Kiedy ludzie używają zapisanych umiejętności językowych i wskazówek, aby uzupełnić brakujące informacje fonetyczne, uważa się to za przetwarzanie odgórne. Brak przechowywanych informacji zmusza ludzi do korzystania z przetwarzania oddolnego. Przetwarzanie oddolne można zademonstrować, badając niemowlęta oraz to, jak słuchają i reagują na akustykę języka.
Narządy wewnętrzne ucha pracują nad przekazywaniem dźwięków związanych z mową do płata skroniowego mózgu w celu zrozumienia. Drgania związane z akustyką mowy przechodzą przez błonę bębenkową do kosteczek słuchowych, które kontynuują wibracje do ucha wewnętrznego, ślimaka i komórek rzęsatych. W tym momencie nerw słuchowy zaczyna odbierać sygnały z neuronów i przekazywać informacje do obszarów mózgu odpowiedzialnych za wstępną interpretację właściwości mowy, w tym wysokości i tonu.
Dźwięki związane z mową są uważane za akustykę mowy. Dźwięki te są wytwarzane przez drgania układu głosowego człowieka. Każda litera i dźwięk wytwarzany przez trakt głosowy wymaga zmiany kształtu traktu głosowego.
Fonemy pomagają rozróżniać podobne dźwięki w języku. Nawet mniejsze niż sylaby składające się na mowę i słowa, fonemy przyczyniają się do percepcji mowy. Fonemy i inne dźwięki mowy używane do konstruowania języka nakładają się na siebie i są trudne do rozróżnienia. Na dźwięk każdego segmentu mowy wpływają dźwięki, które pojawiają się przed i po, co prowadzi do tej trudności.
Wskazówki wizualne, w tym układy ust i mimika, pomagają zidentyfikować sygnały mowy i dźwięki. W niektórych badaniach zmiana twarzy i wskazówki wizualne wpływają na dostarczane wskazówki wizualne i odbierane dźwięki. Jest to znane w dziedzinie percepcji mowy jako efekt McGurka.
Kilka dodatkowych terminów jest używanych w dyskusji o języku, ponieważ odnosi się on do percepcji mowy. Składnia jest rozumiana jako kombinacja słów, znana również jako gramatyka. Semantyka odnosi się do znaczenia samego komunikatu. Zrozumienie składni i semantyki pomaga w dalszym rozumieniu i badaniu percepcji mowy.