A szegmentumokat (beszédhangokat) eltérő szempontok szerint vizsgáló tudományágak a fonetika és a fonológia. A fonetika esetében a beszédhangok és prozódiai jellemzők fiziológiai és fizikai természete áll a középpontban, illetve a beszédhangok változatos megvalósulása is komoly szerephez jut a kapcsolódó empirikus kutatásokban. Ezzel szemben a fonológia egymástól jól elkülönülő, absztrakt beszédhangtípusokkal, azaz fonémákkal foglalkozik, valamint ezek rendszerével, a rendszerbe szerveződésük tudattalan szabályait vizsgálva. Ilyen szabályok például a (hang)környezet függvényében fellépő változások, illetve a beszédhangok összefűzéséhez (szekvenálásához) és eloszlásához (disztribúciójához) kötött szabályok (Hayes 2009). A fonológia központi szereplője a fonéma, amely egy elvont, mögöttes nyelvi egység, mentális reprezentáció, amely magába foglalja az adott beszédhang minden változatát. A fonéma környezetétől függően eltérően valósulhat meg, ezeket a felszíni megvalósulásokat allofónoknak nevezzük (Hayes 2009). A beszédhangok fonetikai és fonológiai jelöléséről meg kell jegyeznünk, hogy magukat a beszédhangokat szögletes zárójel jelöli, amelyben rendszerint IPA szimbólum áll (pl: [ŋ]), míg a fonémákat ferde vonalak zárják közre (pl: /n/). A fonéma-allofón kapcsolatra, egészen pontosan az /n/ fonémára és egy-egy allofónjára a 12. ábra mutat be példát.

Az (idegen)nyelv-elsajátítást elsősorban a beszédmegértés és a beszédprodukció folyamatai teszik lehetővé. Az emberi beszéd feldolgozását, azaz azt a folyamatot, hogy a beszéd információtartalmát kognitív folyamatokkal dekódoljuk, kétszintű folyamatként szokás értelmezni, melynek két szintje a beszédészlelés (beszédpercepció), illetve a beszédmegértés. A beszédpercepció prelexikális, azaz relatíve a nyelvi elemzés alacsonyabb szintjeihez kapcsolódó, de nyelvspecifikus folyamat, amely során a hallgató a folyamatos akusztikai kontinuum értékeit képes nyelvi egységekké transzformálni. Ezzel szemben a beszédmegértés már a beszédfeldolgozás magasabb, lexikai szintje, amely során szemantikai és pragmatikai folyamatok közreműködésével képesek vagyunk az akusztikai jeleket a mentális lexikon szójelentéseinek, lexikai reprezentációinak megfeleltetni (McQueen 2004). A beszédfeldolgozás kétszintű modelljét a 13. ábra mutatja be. Az utóbbi, beszédmegértési folyamattal a jelen monográfia nem foglalkozik, hiszen az idegen nyelvi akcentus kialakulása elsősorban a beszédpercepcióhoz kötődik.