O presente estudo buscou investigar como diferentes padrões de Voice Onset Time (VOT) são categorizados por falantes nativos de Inglês Americano e aprendizes brasileiros de Inglês. O Inglês Americano e o Português Brasileiro divergem quanto ao padrão de vozeamento das consoantes plosivas, uma vez que a pista VOT desempenha diferentes papéis na formação de categorias de consoantes vozeadas e desvozeadas em cada sistema. Este estudo contrastou quatro padrões de VOT (VOT Negativo, VOT Zero, VOT Positivo e um padrão manipulado, nomeado VOT Zero Artificial) em duas tarefas perceptuais (testes de discriminação AxB e identificação), e verificou como os dois grupos de participantes categorizaram esses padrões. Os resultados corroboram a ideia de que a percepção da fala é multimodal e, portanto, a ação de múltiplas pistas acústicas deve ser levada em consideração quando abordamos processos fonético-fonológicos.