Puheen havaitsemista tutkivien tavoitteena on ymmärtää, miten kieltä kuullaan, tulkitaan ja ymmärretään. Puheen havaitsemisen eri osatekijät, kuten akustiikka, foneemit, syntaksi ja muut ominaisuudet, voivat auttaa tarjoamaan etenemissuunnitelman siitä, miten puhetta käsitellään ja ymmärretään. Puheentunnistuksessa käytettyjen kuuloprosessien lisäksi visuaalisia vihjeitä on tutkittava.
Kahdella prosessilla pyritään selittämään tapaa, jolla ihmiset käsittelevät saapuvia akustisia signaaleja kielen käsittelyssä ja ymmärtämisessä. Kun ihmiset käyttävät tallennettuja kielitaitoja ja vihjeitä puuttuvien foneettisten tietojen täyttämiseen, sitä pidetään ylhäältä alas käsittelynä. Tallennetun tiedon puuttuminen pakottaa ihmiset käyttämään alhaalta ylöspäin tapahtuvaa käsittelyä. Alhaalta ylös prosessointi voidaan osoittaa tutkimalla pikkulapsia ja miten he kuuntelevat ja reagoivat kielen akustiikkaan.
Korvan sisäelimet siirtävät puheeseen liittyviä ääniä aivojen ajalliseen lohkoon ymmärtämistä varten. Puheakustiikkaan liittyvät värähtelyt johdetaan tärykalvon läpi kuulo -osille, jotka jatkavat värähtelyä sisäkorvaan, silmänpohjaan ja hiussoluihin. Tässä vaiheessa kuulohermo alkaa kerätä signaaleja neuroneilta ja välittää tiedot aivojen alueille, jotka ovat vastuussa puheominaisuuksien ensimmäisestä tulkinnasta, mukaan lukien sävelkorkeus ja sävy.
Puheeseen liittyviä ääniä pidetään puheakustiikana. Nämä äänet syntyvät ihmisen äänikanavan värähtelyistä. Jokainen äänikanavan tuottama kirjain ja ääni vaatii äänikanavan muuttavan muotoaan.
Foneemit auttavat erottamaan samankaltaiset äänet kielellä. Jopa pienemmät kuin tavut, jotka muodostavat puheen ja sanat, foneemit edistävät puheen havaitsemista. Foneemit ja muut kielen rakentamiseen käytetyt puheäänet ovat päällekkäisiä, ja niitä on vaikea erottaa. Ennen ja jälkeen tulevat äänet vaikuttavat jokaisen puheosan ääniin, mikä johtaa tähän vaikeuteen.
Visuaaliset vihjeet, mukaan lukien suun muodot ja ilme, auttavat tunnistamaan puhesignaalit ja äänet. Joissakin tutkimuksissa kasvojen ja visuaalisten vihjeiden muuttaminen vaikuttaa annettuihin visuaalisiin vihjeisiin ja havaittuihin ääniin. Tämä tunnetaan puheentunnistuksen alalla McGurk -ilmiönä.
Keskustelussa kielestä käytetään useita muita termejä, jotka liittyvät puheen havaitsemiseen. Syntaksi ymmärretään sanojen yhdistelmänä, joka tunnetaan myös nimellä kielioppi. Semantiikka viittaa itse viestin merkitykseen. Syntaksin ja semantiikan ymmärtäminen auttaa edelleen ymmärtämään puhetta ja ymmärtämään sitä.