Dann hört man, dass die Begriffe abwechselnd geloopt sind. Ich vermute, dass da eher mit der Trägheit von Wahrnehmung und Verarbeitung gespielt wird. Während das Auge noch damit beschäftigt ist, alle Elemente zu erfassen und zu deuten, versucht der Verstand die Aussage zu verstehen. Und dann wird wahrgenommen, was man hört und schaut blitzschnell auf den passenden, zuvor wahrgenommenen Begriff.
Also m.E. funktioniert es vielmehr umgekehrt: man liest, was man hört. Deshalb ist es so überraschend, wenn man in die umgekehrte Richtung getriggert wurde.