Az észlelési folyamatban a beérkező akusztikai jeleket elemezzük, összetevőikre bontjuk, hasonlítgatunk és döntéseket hozunk, hogy eljussunk a hangjelenség azonosításához. Az akusztikai jel fizikai paramétereit elsődleges felismerési kulcsoknak tekintjük, és – a szemléletesség kedvéért félretéve azt a tényt, hogy ezek a paraméterek a hallásmechanizmusban bonyolult interakcióba lépnek egymással – a jel intenzitása alapján ítélünk a hangjelenség erejéről, azaz hangosságáról, a frekvenciaadatok alapján a magasságról döntünk, az időadat alapján pedig az ejtési időtartamról hozunk döntést. Eközben egyes lehetőségeket kizárunk, másokat elfogadunk a szóba jöhető választások közül. A stratégia lényegében a barkochba játékhoz hasonlítható, ahol kérdésekkel, ellentétpárokkal közelítünk a feladat megoldásához. Van olyan eset, amikor annyi a rendelkezésre álló információ, hogy egy lépésben rákérdezünk az eredményre. Van azonban olyan helyzet is, amikor a legutolsó kérdést is föl kell tenni ahhoz, hogy eljussunk a megoldáshoz. Sőt olyan eset is előfordul, amikor hiába tesszük fel az összes lehetséges kérdést, a feladat megoldása ezen az úton nem következik be, mert valahol, valamilyen – metaforával szólva – zaj van a csatornában. A folyamatban a rövid távú, ún. műveleti emlékezet lehetővé teszi, hogy 6–8 szótagig vissza tudjunk emlékezni arra, ami elhangzott, és adott esetben korrigálni tudjuk a döntésünket, illetőleg az elemek hosszabb sorozatában érvényesülő prozódiai tényezőkről (dallam, hangsúly, beszédtempó, szünet, vö. 8.5.) egyáltalán dönteni tudjunk. A hosszú távú memória, azaz az agyunkban tárolt tudás pedig a feldolgozás alatt lévő jelenség azonosítását teszi lehetővé.