Algunos autores defienden que, probablemente por evolución, el ser humano ha desarrollado en su cerebro un mecanismo especial, distinto de la percepción general de los sonidos, que se encarga de procesar una clase muy particular de sonidos.
Otros, sin embargo, consideran que lo especial es el estímulo o habla, no el mecanismo perceptivo. Se observan algunas características especiales en el lenguaje, porque el habla humana es un tipo de estimulación sobre-aprendida, a la que estamos expuestos de forma continua y permanente desde que nacemos hasta la muerte.
Por otra parte, según la teoría motora de Liberman el verdadero objeto de la percepción no es la señal acústica en sí, sino los movimientos articulatorios y las órdenes motoras que el cerebro envía a los órganos articulatorios para producir el habla, y que son invariables para cada fonema. Así, los oyentes dispondrían de un módulo o decodificador especializado en reconstruir los gestos motores a partir de la señal acústica.
De esta forma, según Liberman y Mattingly este decodificador incorpora información completa sobre las características anatómicas y fisiológicas del tracto vocal y también sobre las consecuencias acústicas y articulatorias de los gestos lingüísticamente significativos.
Algunas de las evidencias a favor de la teoría motora se sitúan en la innegable relación que existe entre los procesos de producción y percepción del lenguaje. Así, como señala Ryalls, los extranjeros mueven sus labios mientras intenta comprender las palabras de un lenguaje que no le es familiar. Además, los oyentes combinan información visual sobre la producción del habla con información auditiva (Efecto Mcgurk).
Finalmente, los estudios con imágenes por resonancia magnética funcional sugieren que el cerebro activa zonas motoras del habla mientras percibe el lenguaje.
Teoría realista directa
Carol Fowler plantea que el objeto de la percepción es de tipo articulatorio o motor, aunque esto no suponga que el oyente deba tener acceso a su sistema de producción para reconstruir los gestos fonéticos. Asimismo, niega la existencia de un módulo especializado en decodificar el lenguaje.
La perspectiva ecológica de Gibson considera que la propia estructura del estímulo ya incorpora toda la información necesaria para percibir los objetos y eventos del entorno. Sin necesidad de pasos intermedios, no siendo fruto de ningún tipo de construcción o elaboración.
Fowler entiende que la percepción del lenguaje puede caracterizarse en los mismos términos que, por ejemplo, la percepción visual de las superficies de objetos. Así, en el caso de la visión, la luz reflejada por las superficies de los objetos sirve de estímulo cercano o proximal, cuya propia estructura ya proporciona información directa sobre los objetos del entorno, o estímulos distales.
De la misma forma, la señal acústica es un estímulo proximal que proporciona información sobre los estímulos distales o gestos articulatorios que la han producido. Cuando un oyente escucha el lenguaje capta de forma directa los movimientos articulatorios que lo han producido del mismo modo en que percibe el origen de otros sonidos de su entorno.
No obstante, muchos autores contraponen ejemplos en los que existe percepción sin conocimiento directo de las causas distales como sucede al escuchar música, percibir la melodía de un instrumento sin conocerlo, etc.
Teoría auditiva general
Se asume que los sonidos del lenguaje se perciben y dependen del sistema general de audición y de los principios del aprendizaje perceptivo; los mismos que han evolucionado en los seres humanos para manejar otras clases de sonidos del entorno. Así, el oyente podría mantener la constancia perceptiva fonética haciendo uso de múltiples pistas acústicas.
Una derivación de la teoría general es la hipótesis de la potenciación auditiva, según la cual, los sistemas de sonidos de las distintas lenguas se han adaptado para convertirse en robustas señales que explotan las características generales del sistema auditivo.
De esta manera, las lenguas desarrollan un inventario de fonemas que optimiza la distintividad fonética entre ellos.