Este artigo tem como principal objetivo compreender a atenção conjunta durante o processo da aquisição da linguagem em duas crianças com Síndrome de Down. Para tanto, utilizamos nesta pesquisa, registros videografados das cenas de interação entre quatro terapeutas e dois irmãos atendidos pelo projeto Letramento em pauta, com a faixa etária de 3 anos (C1) e 6 anos (C2) . Metodologicamente, os dados foram coletados de forma longitudinal, na clínica escola de Fonoaudiologia da Universidade Federal da Paraíba. Inicialmente, temos como suporte teórico as contribuições de Brunner (1975), Tomasello (2003) e Costa Filho (2013, 2016) no que se refere ao papel da atenção conjunta durante o processo de aquisição da linguagem. Em seguida, trazemos Lima (2016) e Ávila Nobrega (2017) para discutir sobre a atenção conjunta e a multimodalidade em crianças com Síndrome de Down. Após a análise dos dados, observamos que a atenção conjunta se apresenta de modo diferenciado nas interações multimodais de cada criança, um vez que enquanto a C1 utiliza um quantitativo consideravelmente maior de produções vocais, a C2, com a ausência da produção vocal nas terapias, tem o olhar como principal elemento nas trocas interativas, o que pode contribuir para a construção de um contínuo multimodal e para o desenvolvimento da linguagem.