A megfelelő ingerek révén az akusztikai természetű felismerési kulcsok nyilvánvalóvá válása a nyelvelsajátítás fontos eleme, amely percepciós leképezési és kategóriaalkotási folyamatot Boersma, Escudero és Hayes (2003) a fokozatos tanulás algoritmussal (gradual learning algorithm) modellezték. Az elmélet szerint a kategóriaformálás alapvetően az egyes akusztikai ingerek gyakoriságán és azok eloszlásán nyugszik, mint például ahogy egy adott akusztikai kontinuumon (például magánhangzók esetében a nyelvállásfokkal összefüggést mutató F1-skálán) haranggörbe-szerűen jelenik meg az értékek eloszlása. A haranggörbe csúcsánál találjuk a leggyakoribb értékek csoportjait (azaz a kategóriák legreprezentatívabb variánsait), valamint a görbe lapultságából következtetni tudunk arra, hogy a kategóriák mennyire engednek meg variabilitást az értékek között. Az algoritmus működését úgy képzelhetjük el, mintha egy dartsverseny viszonylag jól teljesítő játékosait figyelnénk, de magát a céltáblát nem láthatnánk, és a lövések alapján kellene több céltábla helyzetét és azok középpontját meghatároznunk. Mivel jól teljesítő játékosokról beszélünk, a dobások nem teljesen véletlenszerű eredménnyel valósulnak meg, hanem minden egyes új dobással több és pontosabb információt nyerhetünk a céltáblák helyzetéről. A céltáblák középpontjánál feltételezzük a legtöbb találatot (ezek a találatok a legpontosabb akusztikai megvalósulások), míg a céltáblák peremén már egyre kevesebb a találat, hiszen ezekben az esetekben pontatlan a dobás (avagy a beszédhangok megvalósulása sem minden esetben sztenderd). A nyelvelsajátításban is ugyanilyen fokozatosan „hangolódik be” egy-egy beszédhang-kategória, és ezen az elven rendeljük a rendhagyó megvalósulásokat is a meglévő kategóriákba. Escudero (2005) szerint ezen a gyakoriságokon és eloszlásokon nyugvó folyamaton alapul mind az L1, mind az L2 beszédhang-kategóriáinak kialakítása. Azonban az általa vázolt teljes percepciós folyamat többszintes, és optimalitáselméleti korlátok, megszorítások (Prince–Smolensky 1993/2004) szabályozzák (Escudero 2005).

Kérdésként merül fel, hogy meddig vagyunk képesek erre a kategória-finomhangolásra, azaz meddig vagyunk fogékonyak az új beszédhangok elsajátítására. Vajon van biológiai határa az akcentusmentes észlelés és ejtés elsajátításának? Lenneberg (1967) kritikus periódus hipotézise szerint kétéves kortól serdülőkorig a nyelvelsajátítás természetesen és különösebb energiabefektetés nélkül megy végbe, azonban a serdülőkor (pontosabban az agyféltekék közötti funkciómegoszlás, a lateralizáció) lezárultával az emberek biológiailag már nem fogékonyak az új beszédhangok elsajátítására, illetve kategóriahangolásra, és ezért nem lehetséges az L2 akcentusmentes elsajátítása sem. A kritikus periódusra, illetve annak életkori, avagy biológiai határaira számos más kutatás is tett javaslatokat (pl. Patkowsky 1990, Scovel 1988). Azonban a kritikus periódus hipotézissel ellentmondó eredményeket mutat fel Flege (1995), aki kutatásával azt erősíti meg, hogy a beszédhangok percepciója és produkciója az egész életciklus alatt adaptívan képes változni, ugyanúgy, ahogyan új beszédhang-kategóriákat is létre tudunk hozni a már meglévő kategóriák megváltoztatásával. Ezért nem állíthatjuk, hogy a serdülőkor lezárultával „hirtelen” eltűnik az ember képessége az L2-hangzók elsajátítására. Ehelyett inkább lineáris kapcsolatot figyelhetünk meg, ahol az idegennyelvi akcentus egyre jellemzőbb tulajdonságává válik az L2-n történő megszólalásnak (Flege 1999), hiszen az anyanyelvi fonémakategóriák a növekvő számú megvalósulás miatt egyre körvonalazottabbá és merevebbé válnak (Scovel 1981). A körvonalazottabb és merevebb kategóriák működését egy másik szempontból világítva meg az L2 beszédhangok észlelését egy L1-alapú torzításként is megfogalmazhatjuk, melyben az L1 beszédhangjai, „mágnesként” húzzák magukhoz és csökkentik a perceptuális távolságot az L2 beszédhang és a „mágneses” anyanyelvi beszédhang között (Kuhl 1991, Iverson–Kuhl 1995).

Habár a beszédpercepcióban az akusztikai jel beszédhangként való kategorizálása közvetlen műveletnek tűnik, Brown (1998) szerint ezt a folyamatot mégis két szintre kell bontanunk. Először is a beszédhangok percepciója esetében az akusztikai jelet általános akusztikai jellemzői alapján univerzális (nem nyelvspecifikus) kategóriákba soroljuk (pl. zárhang vagy elöl képzett magánhangzó), ami minden ember nyelvelsajátítási folyamatában automatikusan működik. Majd ezeket az univerzális kategóriákat egy felsőbb, absztrakt szinten feleltetjük meg az illeszkedő nyelvspecifikus fonémakategóriák reprezentációjának (15. ábra).

Összegezve, a nyelvi tapasztalat gyarapodásával az univerzális akusztikai diszkriminációból egy nyelvspecifikus szűrőn átszűrt diszkrimináció jön létre, ami az L1-kategóriákra és -kategóriahatárokkal van behangolva, és elsődlegesen az L1-ben megtalálható szembenállásokat tartja fókuszban. Ha egy új nyelvet kezdünk tanulni, ott a szembenállások és beszédhang-kategóriák sok esetben az anyanyelvtől eltérően valósulnak meg, illetve emellett a szótagszerkezeti és szupraszegmentális tényezők sem mindig egyeznek. Mivel a felnőttek „már jól megszokott” és kikristályosodott L1-feldolgozási mechanizmusokkal rendelkeznek, és a transzfer révén ezt a megszokott L1-rendszert kell „újrahangolniuk”, ezért esetünkben nagyobb nehézségekbe ütközik az L2-re jellemző új feldolgozási procedúrák kiépülése. Tömören összefoglalva ezzel a jelenséggel magyarázhatjuk az akcentus kialakulását.