A beszédfeldolgozási, valamint a lexikális hozzáférési folyamatokat többféleképpen modellálták, a szerzők szemléletének, az elméleti háttérnek és a nyelvspecifikus jellemzőknek a függvényében (Monahan 2018; Kiefte–Nearey 2019). A dekódolás alapvető műveleteinek leírásában nincsenek nagy különbségek, hiszen a fiziológiai (pl. a hallásmechanizmus) és a kognitív tényezők (pl. a nyelvi rendszer működtetése) relatíve állandóak (1. ábra). Az eltérések az időzítésben, a szupraszegmentumoknak a modellbe illesztésében, illetve az egyes folyamatok összefüggéseinek a leírásában ragadhatók meg. A nyelvspecifikus működések (pl. a zöngésségi oppozíció sajátosságai, a fonológiai szabályok érvényesülése, avagy a morfémajellemzők) az univerzális modell egyes szintjein jelennek meg.

 

A beszédfeldolgozás első szintje a hallás. Környezetünk hangjelenségeit, így a beszédet is a hallásmechanizmus működése révén fogjuk fel. A perifériás hallás a fül működését, a centrális hallás pedig a VIII. hallóideg és az agyi hallóközpont folyamatait jelenti. A hangrezgés a hallójáraton át a dobhártya–hallócsont rendszeren keresztül jut a belsőfülbe. A külső fül feladata a hangrezgések dobhártyához irányítása és bizonyos frekvenciák felerősítése. A középfülben helyezkednek el a hallócsontocskák, illetve a dobhártya. A belsőfülben található a hallás szerve, amely a hártyás labirintus két és fél fordulatú csigájában, a cochleában (Corti-szerv) foglal helyet. Ez a szerv (szőr)sejtek csoportját jelenti, amelyek tetején csillók vannak. Elmozdulásuk okozza az ingerületet. A szőrsejtek észlelik a folyadékrezgést és átalakítják azt elektromos impulzussá, majd az ingerületet a hallóidegre továbbítják, amely az agyban a hallókéregre jut. Az ember hallása igen nagy terjedelmű, rendszerint 20 Hz és 20 000 Hz közötti. Az ép hallás azt jelenti, hogy a légvezetéses küszöb 250 Hz és 8000 Hz közötti tartományban 0 és 10 dB között húzódik. Időskorban a hallás élessége romlik, a hallástartomány beszűkül.

A beszéd észlelésekor a beszélő artikulációs mozgásait, illetőleg az azok következtében létrejövő akusztikai hullámokat dolgozzuk fel, a jelentésnek ebben nincs szerepe. Az akusztikai, fonetikai és fonológiai alapszinteket továbbiak egészítik ki (Gósy 2005; Pardo et al. 2021). Az akusztikai észlelés során történik a beszéd akusztikai jellemzőinek felismerése (pl. az időviszonyok, a kváziperiodikus vagy a zörejszerű összetevők, a frekvenciasávok, az intenzitásviszonyok azonosítása). A fonetikai észlelés során az időben változó frekvencia- és intenzitásviszonyokat, valamint az időzítést a hallgató megfelelteti az adott nyelv beszédhangjainak (pl. magánhangzó vagy mássalhangzó, zöngés zárhang vagy zöngétlen zárhang, rövid vagy hosszú hang). Az akusztikai-fonetikai feldolgozás alapján történik a „neurális spektrogramok” aktiválása (a kifejezést Joseph Carl Robnett Licklider, amerikai pszichológus és számítógépes szakember alkotta, vö. Klatt 1980/2017). A fonológiai észlelés felel a fonéma felismeréséért, itt történik a koartikulációs folyamatok megfejtése, valamint a nyelvre jellemző egyéb fonológiai folyamatok azonosítása. Ezek a folyamatok felelősek a beszéddallam és a hangsúly, továbbá a beszédtempó, a hangszínezet és a hangerősség észleléséért is.

További folyamatok a szeriális, a transzformációs, a vizuális és a ritmusészlelés, valamint a beszédhang-megkülönböztetés (Holt et al. 2022). A szeriális észlelés (sorozatészlelés) a beszédhangok és a morfémák elhangzási sorrendjének felismerése. A transzformációs észlelés teszi lehetővé bizonyos beszédjellemzők általánosítását módosult, megváltozott kontextusban. A vizuális észlelés elsősorban a látható artikuláció (pl. ajakműködés) beépítését jelenti a beszédhangok azonosításába. A beszédritmus percepciójának szoros a kapcsolata az időviszonyokkal és a hangsúlyozással. A beszédhang-differenciálás az adott nyelvben meghatározó fonetikai, illetve fonológiai különbségek felismeréséért felelős.

A folyamatosan változó akusztikai jelsorozat jelzéseket tartalmaz a diszkrét nyelvi entitások kezdetére, végére, illetve a szemantikai határokra vonatkozóan. Ez a szegmentálás, ami nyelvi ismeretek és dekódolási stratégiák alkalmazását is jelenti. A határjelző funkciójú akusztikai-fonetikai paraméterek (pl. szóvégi beszédhangok rövidülése, alaphangmagasság- és intenzitásváltozások, glottalizáció, szünet, junktúra) nem mindig egyértelműek a spontán beszédben (a beszélőn belüli és a beszélők közötti változó artikuláció miatt). A beszéd tartalmaz valamiféle nyelvspecifikus invarianciát, amelyre a feldolgozás nagy biztonsággal alapozható (pl. artikulációs/fonetikai, ill. fonológiai invariancia, transzformációs fonetikai tér, rugalmas neurális reprezentációk, sőt, állandóság a kontextusban, a beszédhelyzetben, az ismeretek szintjén).

A beszédmegértés is több folyamatból tevődik össze. A mentális lexikon aktiválásának eredményeképpen felismerjük a morfémákat, azonosítjuk a grammatikai szerkezetet, és szintetizáljuk az elemzési eredményeket. Az eredmény a morfémák, a szavak, a szókapcsolatok, illetve a struktúrák megértése. A kutatások megállapították, hogy a beszédfeldolgozás során a (grammatikai) szerkezet felismerése az elsődleges, a szemantika a másodlagos, bár az azonosításuk között eltelt idő a másodperc töredéke (Friederici 2002; Gósy 2005; Gaskell 2007; Garrod–Pickering 1999). Olykor előfordul a szemantikai elemzések elsődlegessége is (Yang et al. 2021).

A hosszabb közlések, szövegek feldolgozásához bonyolult műveletek integrálása szükséges, ez eredményezi az elhangzottak értelmezését (függetlenül a közlés terjedelmétől). Ekkor kapcsoljuk össze a megértett közlés(ek)et az emlékezetben már korábban tárolt ismeretekkel és/vagy tapasztalatokkal, és ennek révén megtörténik az elhangzott tartalom közvetett információinak feldolgozása. A megértett közlést egy tágabb ismeretanyagba helyezzük és/vagy egy korábban tárolt információsorozatot rendelünk hozzá. A szöveg megértésében számos folyamat működik együtt, mindenekelőtt a szöveg tagolása (grammatikai, prozódiai és szemantikai információk), a szövegegész szerveződési mintázatának felismerése (szövegtípus, koherencia, sémaelmélet, összefüggések), valamint emlékezeti működések. Az értelmezési folyamat akkor sikeres, ha a lexikális hozzáférés, a szegmentális és a szupraszegmentális feldolgozás biztos, a szövegtagolás, illetve a szövegben lévő összefüggések felismerése és az előjelzések megfelelően működnek (Wolfe–Mienko 2011; Cutler 2013; Hagoort–Beckman 2019; Csárdás 2023). Érvényesülnie kell az együttműködési elvnek, különféle kognitív működéseknek (pl. a szövegreprezentáció kialakításának, a tanulság levonásának és a következtetések kialakításának képessége), az asszociációknak, a memóriának, a figyelemnek, a logikának és az adott életkorban elvárt háttértudásnak (világismeretnek). Az általános értelemben vett tudás és a nyelvi feldolgozás tekintetében két szélsőséges felfogás ismeretes. Az egyik szerint a tudás elsődleges (amivel a jelen szerző egyetért), a másik szerint a tudás másodlagos, ez utóbbi felfogás szerint a szövegértést a szövegkohézió teszi lehetővé, amely elsősorban a szemantikai, tartalmi meghatározottságban és részben a szemantika és a prozódia összefüggéseiben ragadható meg.

A mentális lexikon egy tároló rendszer, amelyben a nyelvre, illetőleg a nyelvhasználatra vonatkozó adatok és szabályok találhatók (Jusczyk–Luce 2002; Libárdi 2017; Martin et al. 2017; Hagoort 2019; Pardo et al. 2021). Tartalmazza a nyelv beszédhangkészletét, fonémáit, az akusztikai, fonetikai, fonológiai jellemzőket, a mentális reprezentációkat, a neurális spektrogramokat, szavakat, egyéb morfémákat, szókapcsolatokat, nyelvi szabályokat és a mentális lexikon aktiválására vonatkozó stratégiákat. A mentális lexikon helye az agyban nagyjából meghatározott; a szavak a mediális/laterális temporális lebenyben, míg a grammatikai egységek és a szabályok a frontális/bazális idegdúcokban találhatók (Ullman 2007).