La capacidad de leer a primera vista depende en parte de una sólida memoria musical a corto plazo. Un experimento de lectura a primera vista usando un rastreador ocular indica que los músicos altamente calificados tienden a mirar hacia adelante en la música, almacenando y procesando las notas hasta que se tocan; esto se conoce como el intervalo ojo–mano.

El almacenamiento de información notacional en la memoria de trabajo se puede expresar en términos de la cantidad de información (carga) y el tiempo durante el cual debe mantenerse antes de reproducirse (latencia). La relación entre carga y latencia cambia de acuerdo con el tempo, de modo que t = x/y, donde t es el cambio en el tempo, x es el cambio en la carga, e y es el cambio en la latencia. Algunos maestros e investigadores han propuesto que la distancia entre los ojos y las manos se puede entrenar para que sea más grande de lo que sería en condiciones normales, lo que lleva a una capacidad de lectura a primera vista más sólida.

La memoria humana se puede dividir en tres grandes categorías: memoria a largo plazo, memoria sensorial y memoria a corto plazo (de trabajo). De acuerdo con la definición formal, la memoria de trabajo es «un sistema para almacenar y administrar temporalmente la información requerida para llevar a cabo tareas cognitivas complejas como el aprendizaje, el razonamiento y la comprensión.»La característica primordial que distingue la memoria de trabajo de la memoria a largo plazo y la memoria sensorial es la capacidad de este sistema para procesar y almacenar información simultáneamente. El conocimiento tiene lo que se llama una «capacidad limitada», por lo que solo hay una cierta cantidad de información que se puede almacenar y es fácilmente accesible solo por una pequeña ventana de tiempo después de que se haya procesado, con un bloque de tiempo de recuperación de aproximadamente quince segundos a un minuto.

En 1956, George Miller llevó a cabo experimentos que indicaban que «El número más común de elementos que se pueden almacenar en la memoria de trabajo es de cinco más o menos dos.»Sin embargo, si esta información no se conserva y almacena («consolidada») en la memoria a largo plazo, se desvanecerá rápidamente.

La investigación indica que el área principal del cerebro asociada con la memoria de trabajo es la corteza prefrontal. La corteza prefrontal se encuentra en el lóbulo frontal del cerebro. Esta área se ocupa de la cognición y contiene dos bucles neuronales o vías principales que son centrales para las tareas de procesamiento a través de la memoria de trabajo: el bucle visual, que es necesario para el componente visual de la tarea, y el bucle fonológico, que trata de los aspectos lingüísticos de la tarea (es decir, repetir la palabra o frase). Aunque el hipocampo, en el lóbulo temporal, es la estructura cerebral más frecuentemente emparejada con los recuerdos, los estudios han indicado que su papel es más vital para la consolidación de los recuerdos a corto plazo en recuerdos a largo plazo que la capacidad de procesar, llevar a cabo y recordar brevemente ciertas tareas.

Este tipo de memoria se ha enfocado específicamente cuando se habla de lectura a primera vista, ya que el proceso de mirar notas musicales por primera vez y descifrarlas mientras se toca un instrumento puede considerarse una tarea compleja de comprensión. La conclusión principal en términos de esta idea es que la memoria de trabajo, la capacidad de memoria a corto plazo y la velocidad mental son tres predictores importantes para el logro de la lectura a primera vista. Aunque ninguno de los estudios desacredita la correlación entre la cantidad de tiempo que uno pasa practicando y la habilidad musical, específicamente la habilidad de lectura a primera vista, más estudios apuntan al nivel en el que la memoria de trabajo de uno funciona como el factor clave en las habilidades de lectura a primera vista. Como se indica en uno de estos estudios, «La capacidad de memoria de trabajo también hizo una contribución estadísticamente significativa (alrededor del 7 por ciento, un efecto de tamaño mediano). En otras palabras, si hubiera tomado dos pianistas con la misma cantidad de práctica, pero con diferentes niveles de capacidad de memoria de trabajo, es probable que el más alto en capacidad de memoria de trabajo hubiera tenido un rendimiento considerablemente mejor en la tarea de lectura a primera vista.»

Basado en la investigación y las opiniones de múltiples músicos y científicos, el mensaje para llevar a casa sobre la capacidad de lectura visual y la capacidad de memoria de trabajo de uno parece ser que «Los mejores lectores visuales combinaron fuertes recuerdos de trabajo con decenas de miles de horas de práctica.»

La lectura a primera vista también depende de la familiaridad con el lenguaje musical que se está interpretando; esto permite al lector reconocer y procesar patrones de notas que ocurren con frecuencia como una sola unidad, en lugar de notas individuales, logrando así una mayor eficiencia. Este fenómeno, que también se aplica a la lectura del lenguaje, se conoce como fragmentación. Los errores en la lectura a primera vista tienden a ocurrir en lugares donde la música contiene secuencias inesperadas o inusuales; estos derrotan la estrategia de «lectura por expectativa» que los lectores a primera vista suelen emplear.