語言是很複雜的行為, 語言的模仿涉及很多階段的轉換。當然，非語言的模仿一樣複雜。從知覺到產生動作是兩回事。例如：我們知道視覺在資訊處理上是光點的組合，以及動態的訊息，而我們如何把我們視覺所接受到的處理轉換成心理意象，最後如何用自己的動作表現出來。從動作和知覺之間，肯定也有其它機制連結其中，這包括：建立正確的表徵、轉換成動作的訊息(使表徵和動作之間有彼此映照的關係)、知道怎麼控制動作等等。
語音的訊息又比視覺複雜，因為很多動作看不到是肉眼所看不到的，而且我們能聽到的聲音的距離又比動作來得更遠。此外，不同語音之間的變異性很大。我們聽到不同人的聲音通通不一樣，即便是同一個人所說同樣的話，在不同時間下，聲音也會不一樣。這變異性也發生在自己說出來的聲音和對方所說的聲音，都是不可能百分之百對應。因為每個人聲音的品質就是不一樣，我們如何說我們是完全「模仿」到他人的聲音，百分之百是不可能的，然而我們每天都在模仿。看起來簡單，實際上複雜的「模仿」，每個人都能夠做，所以在學習上也一定扮演了很重要的角色。