语音由说话人发出，成为言语声波，通过空气传到听话人耳中，经过听觉机制、神经系统的复杂处理，使对方理解。广义地说，以上全程都是言语的感知过程。言语感知的过程，一般可分为听觉的、语音的、音位系统的和语法结构的四个阶段。

人类的听觉能够感知动态范围极宽的声音。人耳一般能听见的纯音，最低为20Hz左右，最高为20 000Hz。由听阈和痛阈两条曲线所包围的“听觉区域”，包含所有可以听到的声音。就频率和强度来说，低于800Hz时，听阈随着频率的减少而提高（强度提高），听阈范围变窄；在800Hz～1500Hz，听阈较为稳定，声强越大，响度越大；在3000Hz～4000Hz，灵敏度达到最大，听阈的范围最大；超过6000Hz时，灵敏度再次下降，听阈随频率的增加而提高，听阈范围再次变窄。声音强度在听阈之上逐渐加大，当加大到一定程度时，会有一些不适的发痒感，然后逐渐发展为一种疼痛感。人们把不同频率的纯音在产生疼痛感时的声强称为痛阈。就时长来说，当纯音时长在200m～300ms以下做10倍改变时，只有将强度提高10dB，这个纯音刺激才能被听到。当纯音的时长在300ms以上时，时长增加或减小，对听感不起作用。

响度和音高是声音的主观心理量，强度和频率是它们对应的客观物理量。虽然响度和强度、音高和频率之间存在生理物理关系，但两对概念不是一回事。

等响曲线在数量上表现任一频率纯音的响度，反映响度听觉有如下特点：①响度受声强制约。声级提高，响度级一般也要提高。②响度不仅跟声强有关，而且跟频率有关。纯音的声级尽管一样，但由于频率不同，它们的响度级不会一样。③不同频率的纯音有不同的响度增长率。低频纯音的响度增长率比中频纯音快。响度的听觉等效单位为宋（sone）。

声音频率由小到大变化时，听觉产生一种与此相应的由低到高的不同音高变化。美（mel）作为一种代表性听觉等效值，与以赫兹（Hz）为单位的频率之间，有着规律性的对应关系。具体来说，低于500Hz时，二者之间成近似线性的关系；高于500Hz时，美的增长速度逐渐小于Hz的增长速度，二者成近似对数的关系。音高的其他听觉等效单位包括半音（semitone）、巴克（bark）和等效矩形带宽（ERB）。

听音人或出于习得的本能，或由于环境的濡染，辨别各种语音信号，由听音人根据自身熟知的语言音系，或通过学习后的理解，归纳、对比听到的语音，辨别不同的特征或音位，对此通常采用范畴感知来处理。例如，可以把无数的元音归纳成若干个音位范畴，因而产生各范畴之间的音位界限。在不同语言中，由于音系不同，范畴界限也不同。英语的[i]和[I]是两个音位范畴，西班牙人听来只是一个。汉语吴方言的塞音有清浊两个范畴，在官话方言中只归入一个范畴。汉语普通话有阴平、阳平、上声和去声四个调位范畴，汉语粤方言则有阴平、阳平、阴上、阳上、阴去、阳去、上阴入、下阴入、阳入九个调位范畴。从语言的交际功能来看，构成有声语言的各种生理、物理特征中，最重要、最本质的是与语义表达直接相连的语音成分，能起到区别意义的作用，它们之间即便是最细微的差别，也不允许混淆，否则会造成意义表达上的误解和混乱。这类语音成分即音位。

感知的最高层次，有直接的和间接的两种感知效果。直接的是从声音的参量来感知。例如，一个词或句子的特点，可由其声音的强弱、基频的变化、音节分配的快慢等，区别出词义或语义。但是，语音在连续语言中的变化很大，有些音会受前后音的影响而变质，有的会在说快时失落（吃掉），有时整个句子会说得含糊，甚至有些词会被别的词或插入的咳嗽声等替代，但听话人还能根据全句、全章总的感知似乎“听到”这些音。这种依靠周围语境来感知语音的方式就是间接感知，过程中有许多成分依赖语境和社会因素。实验证明，听话人会因为自身的母语音系，与听到的目标语音系的不同，产生感知上的“偏误”，或用一种似是而非、在母语和目标语之间的所谓“过渡语”（中介语）来判断、模仿。

高质量的合成技术问世后，合成手段可以把语音的声学参量加减、变型或改变其环境，取得直接或间接的测验结果，解释关于语言的理解、学习等方面的许多问题，同时对言语信息处理工程也有指导作用。听觉语音学得到实验语音学技术的大力支持，已产生各种实验模型。听觉语音学更深层次的探索，与人类的大脑密不可分。随着科技手段的进步，例如人工神经网络运算模型的出现，以及事件相关电位（ERP）、眼动仪（eye tracker）、磁共振成像（MRI）、功能性磁共振（fMRI）、脑磁图（MEG）等高端仪器的出现，人脑这个黑箱已被逐步打开，极大地推动了听觉语音学的发展和进步。