语音学家发现，声学信号连续、不可切分，在快速的语流中尤为如此。语音感知和声学特征也缺乏一一对应性，所以语音学家认为，人类无法光凭声学信号感知语音。

基于这些认识，20世纪五六十年代，美国哈金（Haskins）实验室的科学家A.M.利伯曼等人提出言语感知的肌动理论。肌动理论认为，听者通过自己发音诱导出的听觉模式，分析和理解外来传入的语音。例如，当听到“beat you”[biːt ju]（打你）这些音，听者接受声学信息后，会快速根据神经元指挥和协调发音体肌肉，自己发出这个语音。如果发出的语音模式和听到的语音模式吻合，听者会认同这个语音感知，从而正确无误地传递语言。换句话说，听者根据自身发音器官的特征，及牵动这些器官的肌肉运动（motor）“发音”，对外来的语音进行解码。

随着连接大脑听觉区与发音区的镜像神经元（mirror neurons）的发现，越来越多的神经语言学家相信这一假说，认为语音感知跟听者大脑内的发音信息有关，听者语言感知的机制和其语言发音的机制紧密相连，语音感知具有很强的主观性。同时，肌动理论可以很好地解释，人类是利用自己的发音机制，来消除和过滤外来的各种语音变异，以达到成功交际的目的。