Az L2-elsajátításban az ortográfia is rendkívül széles körű hatást gyakorol a nyelvtanulók percepciójára és produkciójára. Ezért az L2 elsajátításának vizsgálatakor minden esetben figyelembe kell venni az adott nyelv helyesírásának jellegét, azaz azt, hogy az L2 beszédhangot jelölő grafémák és a mögöttes fonémák kapcsolata mennyire erős és kizárólagos, azaz mennyire egyértelmű és transzparens (Bassetti 2008). Tehát az elemzéskor az is egy releváns szempont, hogy az adott L2 graféma az L1-ben milyen beszédhangot jelöl, vagyis az, hogy az L1 és az L2 interferálhat-e abban, hogy az ortográfiájuk hogyan jeleníti meg az adott szegmentumot (Bassetti 2008). Ezen következtetéseket illusztrálva beszédhangok betoldására, törlésére és az ortográfiai interferenciára bemutatok egy-egy példát. Az ortográfiai hatás indukálta beszédhang-betoldás megvalósulhat az olyan angol szavak esetében, mint például a debt ([dɛt], adósság), ahol az ortográfiai megjelenítés egy [b] explozívával több beszédhangot jelenít meg, mint a valós hangalak megvalósulása (Bassetti 2008: 3). A koreai anyanyelvű beszélők esetében viszont gyakran a koreai írás romanizált transzliterációja gyakorol hatást az angol nyelvű produkciójukra: a koreai beszélők gyakran törlik a [w]-t olyan esetekben, amikor e beszédhang u grafémával van megjelenítve, és mássalhangzó előzi meg és magánhangzó követi. Azonban szinte sosem figyelhető meg törlés az ejtésükben akkor, ha az angol szóban a [w] w garfémával van megjelenítve. Például az angol quickly [ˈkwɪkli] szóban a koreai anyanyelvűek az esetek majdnem felében (45%-ban) nem ejtették a /w/-t, hanem ehelyett /u/ magánhangzót toldottak be, míg a twin  [twɪn] szó esetében nem jelentkezett szegmentumtörlés (Lee 2004). Az ortográfia okozta interferencia akkor jelenik meg, ha az ejtendő beszédhang és az őt jelölő graféma között a kapcsolat nem kizárólagos, és ezáltal az ortográfia megnehezítheti az adott beszédhangok elsajátítását (Bassetti 2008). Erre szintén angol nyelvű példákat tudunk említeni, például a car (/kɑːɹ/, autó) és a carry (/ˈkæɹ.ɪ/ cipel) szavakban az a graféma két különböző minőségű magánhangzót jelöl, ezáltal interferenciát okozhat a produkcióra nézve. Hasonlóképpen az orosz nyelvben is találhatunk ilyen példákat, ahol adott szón belül három magánhangzó ugyanolyan grafémával van megjelenítve, azonban ezek a grafémák fonetikailag – a szóhangsúly függvényében – három különböző magánhangzóra mutatnak, például: хорошо horoso [xərɐˈʂo] jó; és таракан tarakan [tərɐˈkan] csótány (Canepari–Vitali 2018).

Az életkor, mint meghatározó tényező szerepét már korábban említettem az L2 akcentusmentes elsajátításában. Habár azt mondhatjuk, hogy az L2 beszédhangok elsajátításának nincs konkrét életkori határa, azonban a kor előrehaladtával és az L1-kategóriák megszilárdulásával ez a folyamat egyre nagyobb akadályokba ütközik. Ezt támasztotta alá Oyama (1982), aki kísérletében olasz anyanyelvű angolul tanulókat vizsgált. Ezeket a tanulókat a szerző három csoportra osztotta az alapján, hogy hány éves korukban érkeztek az USA-ba: 6–10 évesen, 11–15 évesen, vagy 16–20 évesen. Azok, akik 6–10 éves koruktól éltek az USA-ban, összességében kevésbé akcentusos ejtést produkáltak, mint azok, akik a 11–15 éves koruktól, és a három csoport közül azoknak volt a legakcentusosabb a beszéde, akik 16–20 éves korukban érkeztek meg az L2-környezetbe. Összegezve, jól meghatározható biológiai életkori korlát nem feltételezhető az L2 beszédhangok akcentusmentes elsajátításában. Az idézett eredmények Flege (1995) eredményeihez hasonlóan itt is azt mutatták, hogy az életkor előrehaladása negatív hatással látszik lenni az akcentusmentes L2-elsajátítás folyamatára (Pickering 2012).

Az L2 elsajátítását az is jelentősen befolyásolhatja, hogy a nyelvtanuló felé milyenek az elvárások, valamint az, hogy van-e a tanulóknak választási lehetőségük a kommunikáció médiumát, azaz a nyelvválasztást illetően, illetve abban, hogy mennyire vannak rákényszerítve az L2 használatára. Burling (1981) a Svédországban huzamosabb ideig (1 évig) tartózkodó gyermekek és felnőttek L2-előmenetelét összevetve azt a tendenciát állapította meg, hogy a gyermekek a felnőtteknél lényegesebben többet fejlődtek. Ugyanakkor ez abból is fakadt, hogy míg a felnőttek munka közben gyakran a könnyebbség kedvéért svédről angolra váltottak, addig a gyermekeknek az iskolában svédül kellett kifejezniük magukat. Más szóval az L2-környezetben töltött idő mellett meghatározó tényező az, hogy az adott idő alatt a nyelvtanuló mennyire kényszerül rá az L2 használatára, valamint mennyi L2-inger éri a nyelvtanulót. Például a Flege- és Bohn-féle SLM-r modell esetében az az alapvető hipotézis, hogy az L2 beszédhangok elsajátítása és a kategória-formáció a natív L2-ingerek mennyiségétől függ, és a szerzők a tapasztalt ingerek mennyiségének számszerűsítésére a teljes munkaidős egyenértéket (full-time equivalent, FTE) tekintik az L2-tapasztalat mérőegységének. Ilyetén módon revideálva az eredeti modelben leírtakat, miszerint az idegen nyelvterületen tartózkodás időtartamának hossza években kifejezve az elsődleges számszerűsítési egység a nyelvi tapasztalatra vonatkozóan.

Az L2-ingerek mennyisége mellett az ingerek változatossága is befolyásoló tényező lehet az L2 beszédhangok akcentusmentes elsajátításában (Hardison 2012). Logan, Lively és Pisoni (1991) felnőtt japán anyanyelvűeket tréningezett az angol /r/ és /l/ azonosítására. A nyelvtanulókat két csoportba osztották. Az egyik csoport 5 különböző beszélő által produkált hangingerekkel gyakorolhatott úgy, hogy a célhangokból az ingerek csak szóeleji, illetve szón belüli megvalósulást tartalmaztak. Ezzel ellentétben a másik csoport csak egyetlen beszélő által ejtett hangingereket hallhatta úgy, hogy a célhangokból a szóeleji és szón belüli mellett még szóvégi megvalósulásokkal is találkozhatott. A kísérlet célja az volt, hogy a kutatók összehasonlítsák, hogy vajon a szó(tag)beli pozíció szempontjából vagy a beszélő személyek szempontjából változatosabb inger vezet-e hatékonyabb azonosításhoz. Az első esetben, ahol a nyelvtanulók több anyanyelvi beszélő /r/- és /l/-megvalósulásával találkozhattak, szignifikáns fejlődés mutatkozott a kiinduló teljesítményhez képest, azonban a második csoport esetében – ahol csak egy beszélő ingereivel gyakorolhattak, de többféle szótagbeli pozícióban – nem volt szignifikáns fejlődés. Konklúzióként levonható, hogy ha több különböző beszélő ingerei állnak rendelkezésre, akkor a nyelvtanulók hatékonyabban tudják általánosítani az új L2 beszédhangok közötti különbségeket. Azonban azt is meg kell jegyeznünk, hogy ha a változatosság mértéke negatív vagy pozitív irányban túlszárnyalja az optimálist, azaz ha a nyelvtanulót túl gazdag, vagy éppen túl szegény ingerkörnyezet veszi körbe, az gátolhatja az L2 beszédhangok pontos elsajátítását (Leather 1990).

A beszédhangok percepciójában nemcsak az akusztikai inger, hanem az artikuláció is nagy szerepet játszik, ezért az L2-beli beszédhangok tanulásakor a nyelvtanulónak az akusztikai inger mellett az artikulációs mintázat vizuális képe (tehát a beszélő személy szájának, arcának látványa a beszéd létrehozása közben) is sokat segíthet az elsajátításban. Hardison (2003) angolul tanuló japán és koreai anyanyelvűek két-két csoportját vetette alá audiovizuális, illetve csak auditív tréningnek, a számukra nehézségeket okozó /r/ és /l/ tekintetében. Alapvetően mindkét tréningtípus fejlődést idézett elő a nyelvtanulók teljesítményében, azonban az audiovizuális tréning a kizárólag auditívnál jóval hatékonyabbnak mutatkozott. Ugyanakkor azt is meg kell jegyeznünk, hogy Hazan és munkatársai (2005) szerint az audiovizuális tréningek csak akkor hatékonyak, ha a kérdéses képzési jegy szemmel jól látható a produkcióban (tehát például ajak-, illetve ajak-foghangok esetében).

A fentiek mellett az L1 használatának gyakorisága is befolyásolja azt, hogy a nyelvtanuló beszéde mennyire akcentusos. Flege, Frieda és Nozawa (1997) szerint azok az olasz anyanyelvű angolul tanulók, akik saját bevallásuk szerint többet használták az anyanyelvüket, relatíve erősebb akcentussal beszélték az angolt, mint az olaszt ritkábban használó társaik (az egyező L2-környezetbe való érkezés ellenére). MacKay, Meador és Flege (2001) eredményei szerint azok a „korai” L2-tanulók, akik többet használták az anyanyelvüket az L2-környezetben, kevésbé teljesítettek jól az angol mássalhangzók azonosításában, mint azok az L2-tanulók, akik kevesebbet használták az L1-üket.

A célnyelv elsajátítása szempontjából az is egy fontos szempont, hogy nyelvtanulók a célnyelvet hányadik idegen nyelvként tanulják. Ez a kérdés elsősorban abból a szempontból lehet lényeges, hogy például egy harmadik idegen nyelv (L3) esetében melyik (tehát az L1 vagy az L2) számít az elsajátítás alapjául, vagyis a nyelvtanulás kezdetén mely nyelvhez tartozó mintázatok transzferálódnak. Arra, hogy L1 vagy L2 nyelvközi hatása befolyásolja inkább az L3 elsajátítását számos tanulmány és L3-elsajátítási modell született (vö. Westergaard et al. 2016). A nyelvközi hatás szempontjából például kiemelkedően fontos tényezőnek számítanak az L3 tipológiai jellemzői, pontosabban a tipológiai közelsége az L1-hez vagy L2-höz. Bizonyos modellek szerint (mint amilyen a Tipológiai elsőbbségi modell, Typological primacy model, TPM, Rothman 2011) „az n-edik idegen nyelv tanulása kezdetén az a (köztes)nyelv szolgál az elsajátítás alapjául, amelyek az n-edik nyelvhez a tipológiailag legközelebb helyezkedik el (Leung 2003: 199), tehát e feltételezés esetében a teljes transzfernek következtében a nyelvtanuló egyetlen megelőzően megtanult nyelv mintázatait alkalmazza az L3-ban. Ebben az esetben pedig a tipológiai hasonlóság megítéléséhez a különböző nyelvi szintek meghatározott hierarchiai sorban járulnak hozzá: a döntés elsősorban a lexikonban fellelhető hasonlóságon múlik, másodsorban a fonológiai, harmadrészt a morfológiai, és legutolsó sorban a szintaktikai struktúrák alapján (Rothman 2015).

Azonban például a Nyelvi közelség modell (Lingusitic Proximity Model, LPM) nem ennyire kizárólagos, szigorú és egyoldalú: az LPM szerint az L3 elsajátításában minden egyes nyelvi egység (pl. képzési jegy, beszédhang, szintaktikai struktúra) elsajátítása esetében mérlegelődik az, hogy e nyelvi egység absztrakt mintázatait tekintve mely korábban elsajátított nyelvvel mutat hasonlóságot. (Westergaard et al. 2016: 5). Tehát eszerint az elmélet szerint a nyelvtanuló mindkét tanult nyelvében (L1-ben és L2-ben) elsajátított mintázatokat külön-külön, individuálisan tudja alkalmazni az L3-ban, így támogatva az új idegen nyelv elsajátítását (Westergaard et al. 2016).

Az L2 elsajátításában és az akcentus kialakulásában meghatározó faktorok lehetnek továbbá az egyéni különbségek is. Az akcentusmentes, anyanyelvi szintű L2-elsajátítás esetében általában nyelvi tehetségre vagy nyelvi készségre szokás hivatkozni. Carroll (1993) a nyelvi készséget négy faktor mentén határozta meg, amelyek közül itt a két legrelevánsabbat mutatom be. Az akcentus szempontjából talán a legfontosabb nyelvi készség a fonémakódoló képesség, azaz az a képesség, hogy az ismeretlen akusztikai ingereket a nyelvtanuló hogyan és mennyire képes feldolgozni. A másik faktor az induktív nyelvtanulási készség lehet, amely az általános szabályszerűségek megfigyelésén alapszik, azaz a nyelvtanuló képes a példákból rendszerszerű következtetéseket levonni.

A nyelvi készség mellett a motiváció sem elhanyagolható tényező az L2 és a helyes L2-ejtés elsajátításában. A motiváció fakadhat többek között integrációs szándékból (tehát abból, hogy a tanuló az adott közösséghez szeretne tartozni) vagy instrumentális célból is (azaz abból, hogy az L2 anyanyelvszerű ismerete révén a tanuló előnyökhöz szeretne jutni). Emellett még az egyéni különbségeket illetően a szocioökonómiai státusból, illetve a tanulmányi háttérből következő eltérő lehetőségek is befolyásolhatják az akcentusos, illetve akcentusmentes ejtés elsajátítását (Skehan 2012, Ushioda–Dörnyei 2012).

Tehát összegezve az akcentusos ejtés számos tényezőtől függően alakulhat, és az L1 transzferéből fakadóan jelen lehet szegmentális és szupraszegmentális szinten is. A jelen monográfia középpontjában a mandarin kínai szegmentumok elsajátítása áll, ezért a következő alfejezetben a mandarin kínai és a magyar nyelv szegmentális és szupraszegmentális szintű jellemzőit foglalom össze.