Faz sentido, uma pessoa que digita muito rápido iria começar a ouvir duas ou três palavras ao mesmo tempo.

💡 Talvez um boa ideia seria uma opção "Ouvir palavras ao terminar o nível" dessa forma, sempre que o nível acabasse apareceria as palavras digitadas do lado da tela e ao clicar nelas daria para ouvir a pronúncia. Um usuário que tem interesse em aprender a pronúncia poderia ativar essa opção e quem não tivesse bastava deixar essa opção desativada, assim não quebraria a dinâmica do jogo.