Amit még a kategóriahatárok észlelésével kapcsolatban fontos megemlíteni, az az, hogy a mássalhangzók esetében (melyeknek a produkciójára sokkal kevésbé van hatással a beszédhangkörnyezet, mint a magánhangzók ejtésekor) erősebb kategorikus észlelést feltételezünk, azaz például a VOT-kontinuumban az angol anyanyelvűek zöngés-zöngétlen kategóriáit jól elkülönülőnek tartjuk, és nem feltételezünk jelentős átmenetet az észlelésben. Ezzel szemben a magánhangzók észlelését illetően a sokkal változatosabb és kontextusfüggőbb megvalósulások miatt sokkal kevésbé nyilvánvalóak a beszédhang-kategóriák közötti határok (lásd pl. Fry et al. 1963, Pisoni 1973). A mássalhangzók kategorikus percepciójához kapcsolódóan azt is fontos megemlíteni, hogy habár az emberi percepcióban mind az univerzális fonetika jegyek szintjén, mind a nyelvspecifikus fonémakódolás szintjén alapvető funkció a kategorizáció; azonban a percepció ezen „kategorizáló” természetéből közvetlenül nem következtethető arra, hogy az egyes fonémakategóriák alá sorolt akusztikai ingerek között egyáltalán nem észlelhető különbség. Más szóval tehát a kategórián belül is észlelhetőek „jobb” és „kevésbé jó” megvalósulások, és ebből a szempontból a percepciónk inkább graduális természetű (vö. Massaro–Cohen (1983)). A percepció kategorikus voltára szokás hivatkozni akkor is, amikor a hagyományos két opciót felkínáló forced-choice percepciós tesztek eredményeként szigmoid görbék jelennek meg. Azonban a szigmoid görbék – ugyan információról szolgálnak a becsült kategóriahatárról – azonban a padló-, illetve plafonhatás miatt a kategórián belüli eltérések észleléséről nem, így tehát közvetlenül a kategorikus percepciót sem erősítik meg (vö. McMurray 2022). Tehát összegezve: az észlelésünk mind az univerzális fonetika jegyek szintjén, mind a nyelvspecifikus fonémakódolás szintjén kategóriákba sorolja a környezet ingereit, azonban nemcsak a kategóriák között, hanem a kategóriákon belül is képesek vagyunk az akusztikai ingerek megkülönböztetésére.

A kategóriahatás és az észlelés egymásra hatásával kapcsolatban érdemes megemlíteni továbbá, hogy sokkal könnyebb olyan ingereket megkülönböztetni egymástól, amelyek a kategóriahatár két eltérő oldalán helyezkednek el, mint két olyan ingert, amelyek ugyanazon kategórián belül még akkor is, ha a kérdéses ingerpárok közötti akusztikai távolság valamely dimenzió mentén egyébként egyenlő (Iverson–Kuhl 2000). Például, ha angol anyanyelvűekkel készítünk diszkriminációs kísérletet, akiknek a /b/ és a /p/ fonémák közötti határ a VOT-kontinuumon +5 ms-mal rendelkező VOT-értéknél helyezkedik el, akkor ők könnyebben és nagyobb eséllyel megkülönböztetik a −10 ms-os VOT-vel rendelkező ingert a +20 ms-os VOT-vel rendelkező ingertől, mint a számukra ugyanazon kategóriába tartozó +20 ms-os VOT-vel rendelkező ingert a +50 ms-os VOT-vel rendelkező ingertől, annak dacára, hogy a két-két inger azonos „távolságra” van egymástól a VOT-kontinuumban. Ha viszont ugyanezeket az ingereket, azaz a −10 ms-os és +20 ms-os, valamint a +20 ms-os és +50 ms-os VOT-értékkel rendelkező ingerpárok diszkriminációját a spanyol anyanyelvűek szemszögéből nézzük, akik esetében az észlelt beszédhanghatár −17 ms-os VOT-értékre tehető, számukra egyik ingerpár megkülönböztetése sem lesz egyszerű, mivel a két-két ingerpár mind ugyanazon fonémakategóriába esik számukra. Ezáltal például az L1 és az L2 zöngésségi kategóriáinak viszonyai alapján (melyek eltérő VOT-értékek mentén formálódnak) következtethetünk arra, hogy az L2-tanulók milyen percepciós nehézségekkel szembesülhetnek.

Az L1-ben és az L2-ben eltérő kategóriahatárokhoz kapcsolódó eredményeket mutat be L2 magánhangzók percepcióját illetően Rochet (1995) kísérlete, habár az idézett kutatásban a kísérleti személyeknek egy addig a számukra ismeretlen, pontosabban az anyanyelvükben nem önálló fonémaként létező beszédhangot kellett kategorizálniuk. Az angol és a portugál nyelvben csak két felső nyelvállású fonéma van, az /i/ és az /u/. A franciában azonban létezik felső nyelvállású /y/ is. Ezt a beszédhangot a kísérletben részt vevő naiv, francia nyelvvel szemben tapasztalatlan beszélők két csoportja eltérően észlelte: az /y/-t a portugálok /i/-ként, míg az angolok /u/-ként kategorizáltak. Ebben az esetben ugyanazt a jelenséget figyelhetjük meg, mint fentebb a zárhangok VOT-értéke kapcsán, azzal a különbséggel, hogy ebben az esetben a hátul képzettséget számszerűsítő második formáns (F2) értékének „felosztása” tért el a portugálok és az angol anyanyelvűek között a nyelvspecifikus észlelésből fakadóan, és ezért sorolták eltérő fonémakategóriákba ezek a beszélők a francia /y/-t.

A magánhangzók percepcióját érintően meghatározó modell az észlelésben a Polka- és Bohn-féle (2011) a magánhangzók által meghatározott természetes referenciamagánhangzó-keret (natural referent vowel framework). A modell alapjául szolgáló kutatás egy olyan perceptuális aszimmetriajelenséget vizsgált, mely során különbséget találtak a gyermekek és a felnőttek között a magánhangzó-kategóriák észlelésében. Polka és Bohn (2011) kísérlete szerint, ha egy magánhangzó-kontinuumot észlelünk, amely kontinuum ingerei akusztikailag és artikulációs szempontból is a magánhangzótér perifériájától kiindulva egyre inkább a magánhangzótér középső részét közelítik meg, úgy a kísérleti személyek számára nehezebb észlelniük az eltérést az ingerek között (17. ábra). Ezzel ellentétben, ha a kontinuumban észlelt akusztikai ingerek kezdetben a magánhangzótér közepén jellemző akusztikai tulajdonságokkal rendelkeznek, és ebből kiindulva fokozatosan a periferiális magánhangzókra jellemző értékeket vesznek fel, akkor ebben az esetben könnyebb a diszkrimináció.