Az észlelési folyamatban a beérkező akusztikai jeleket elemezzük, összetevőikre bontjuk, értékeljük a hasonlóságokat és különbségeket, az abszolút értékek alapján viszonyokat állapítunk meg 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 az ejtés idői jellemzőiről hozunk döntést, az ezek együtteséből kialakuló spektrum alapján pedig megítéljük a hangjelenség minőségét. Eközben egyes lehetőségeket kizárunk, másokat elfogadunk a szóba jöhető választások közül. A stratégia lényegében a barkochba játékhoz hasonlítható, amelyben kérdésekkel, ellentétpárokkal közelítünk a feladat megoldásához, minden egyes újabb kérdésnél felhasználva a már rendelkezésre álló információt, és olykor visszalépve egy korábbi stádiumba, más irányt adva a játék folytatásának. Van persze olyan eset, amikor már a játék kezdetén annyi a rendelkezésre álló információ, hogy egy lépésben rákérdezünk az eredményre (heurisztikus elv). Van azonban olyan helyzet is, amikor a legutolsó kérdést is föl kell tenni ahhoz, hogy eljussunk a megoldáshoz. Sőt az is előfordul, hogy 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 beszédjelenségekről, mint amilyenek a prozódiai tényezők (hanglejtés, hangsúly, beszédtempó, szünet, lásd a 26.5. pontot) egyáltalán dönteni tudjunk. A hosszú távú memória (az agyban tárolt tudás) a feldolgozás alatt lévő jelenség azonosítását teszi lehetővé. Lényegét tekintve az észlelés–megértés a bejövő információ és az elraktározott információ közötti interakció eredménye. A folyamatot sematikusan a 6. ábra szemlélteti, melyben a felfelé mutató dupla nyíl arra utal, hogy a működés ebben az irányban erősebb: