Složitý komplex, na němž se podílí nejen samo přijetí signálu mluvené řeči sluchovým ústrojím, ale (v různém stupni) jeho náležitá interpretace v oblasti vyšší nervové činnosti. Celý proces si lze představit takto: Sluchem přijímáme zvuky z okolí v rozsahu, který je dán sluchovým polem (srov. ↗limity lidského sluchu). S věkem se jeho výškové i silové rozpětí snižuje, relevantní složky řeči však naštěstí plný rozsah nepotřebují. Při percepci pak abstrahujeme od zvuků nejazykových, na něž reagujeme zpravidla na reflexní úrovni, dále intuitivně odhlížíme od irelevantních vlastností obsažených v řeči a uvědomujeme si jen složky zvuku schopné rozlišit význam, ukládáme je v příslušném pořadí v krátkodobé paměti, identifikujeme význam seskupení a teprve na této úrovni rozumíme. Nutným (a ne zcela objasněným) krokem je v tom segmentace souvislého zvukového proudu na sled jednotek jazyka. Na rozdíl od percepce jiných zvuků je při p.z.ř. nutné počítat se vzájemnou vazbou mezi vnímáním kvalit reálného zvuku a uživatelovou jaz. kompetencí: např. pouze dostatečně zřetelný zvukový rozdíl hlásek se v jaz. může stát základem pro rozlišení ↗fonémů, platí však také, že schopnost posluchače povšimnout si zvukového rozdílu je závislá na tom, zda je tento rozdíl v jeho mateřštině relevantní: např. trvání samohlásek je jako relace dlouhé : krátké slyšitelné i objektivně změřitelné, ale nemusí být v konkrétním jaz. (např. v polštině) využito pro odlišení samostatných výrazů; může však sloužit třeba jako signál exprese, což nocionální význam slova nemění. Na rozpoznávání prvků signálu se podílí i artikulační zkušenost percipienta, proto se někdy mluví o tom, že v procesu percepce se uplatňují obrazy akusticko‑artikulační. Pro konečné porozumění celku sdělení jsou ovšem významné i prvky parajazykové (prozodické a kinesické), orientace v tématu a celková komunikační situace.

Základem výzkumu p.z.ř. je konfrontace pokud možno přesně specifikovaného zvukového materiálu s výsledky jeho sluchového hodnocení. Současná technická úroveň záznamu a zpracování řečového signálu umožňuje pracovat jak s přirozeným, tak se synteticky vytvořeným zvukovým materiálem a s velkými skupinami pokusných osob. Výsledky mají četná využití v telekomunikační technice i v systémech umělé inteligence („komunikace s počítačem“), může je využít ↗forenzní lingvistika, uplatní se v automatickém produkování signálu řeči při zprostředkování psaného textu nevidomým, ale také pro automatický převod mluveného textu do písemné podoby.

Poslechové hodnocení řeči patřilo již mezi metody předexperimentálních fází vývoje oboru (↗auditivní fonetika), neztrácí však význam ani v současnosti. Sluch má význam i pro produkci řeči, zaručuje totiž zpětnou vazbu u mluvčího, což má nezastupitelnou úlohu také při jejím přirozeném osvojování. Ve specializovaných pracích o fonetice se percepci řeči věnuje zatím menší pozornost.