Assumindo o fenômeno de percepção de fala como sendo de natureza multimodal, o objetivo foi investigar como se dá a integração de pistas audiovisuais em adultos e, ainda, verificar se a complexidade da língua interfere nessa integração. Foram selecionados 10 sujeitos com produção típica de fala, de 20-30 anos, de ambos os gêneros. Os estímulos auditivos e visuais foram constituídos por sílabas simples e complexas: /pa/, /ta/, /ka/, /pra/, /tra/ e /kra/. O procedimento experimental de percepção constituiu de um teste de identificação composto por três etapas distintas: (1) apresentação dos estímulos por via auditiva; (2) via visual; (3a) integração audiovisual congruentes e (3b) incongruentes.  Para análise dos dados considerou-se: porcentagens de acerto e erro (nas condições auditiva, visual e audiovisual congruente) e porcentagens de respostas correspondentes à preferência visual, auditiva e ilusão perceptual (na condição audiovisual incongruente). Não houve diferença significante na comparação entre as condições auditiva, visual e audiovisual congruente. Para estímulos audiovisuais incongruentes, a ANOVA demonstrou diferença significante entre os três padrões de resposta, sendo a via auditiva a mais  utilizada na identificação dos estímulos incongruentes;  bem como a interação dos padrões de resposta*complexidade dos estímulos. O teste Post- Hoc foi realizado a fim de verificar qual o padrão de resposta mais favorecido frente à  complexidade do estímulo. Nesta análise, verificou-se que a via visual foi a mais utilizada na identificação das sílabas simples. Pode-se concluir que em adultos, embora pareça haver uma integração audiovisual, não há preferência de nenhuma via quando os estímulos são congruentes.  Diferentemente, para estímulos incongruentes, a via visual foi a mais utilizada na identificação de sílabas simples.