De acordo com a teoria motora de percepção da fala, a observação dos movimentos da boca exerce uma influência significativa na percepção da fala. O efeito McGurk-MacDonald ilustra claramente essa influência: ao apresentar estímulos audiovisuais aos participantes, eles relatam ouvir um fonema que não corresponde ao que viram nem ao que ouviram individualmente, mas sim uma fusão das modalidades auditiva e visual.

O modelo de percepção audiovisual da fala sugere que as representações multissensoriais da fala, originadas tanto dos padrões sonoros quanto dos movimentos faciais observados, podem ser consideradas como hipóteses multissensoriais, sendo tais hipóteses as interpretações finais dos fonemas produzidos pelo falante.

Observar os movimentos da boca do falante desencadeia, no ouvinte, um processo de planejamento motor que será utilizado por ele ao reproduzir o movimento observado.

A percepção audiovisual da fala engaja uma rede de áreas motoras no sistema nervoso, que inclui o cerebelo e regiões motoras corticais responsáveis pelo planejamento e execução da produção da fala, além de áreas que auxiliam na propriocepção relacionada à produção da fala. 

Existem unidades fonéticas que são distintas do ponto de vista acústico, mas visualmente parecem iguais, ou seja, compartilham o mesmo ponto articulatório.