A beszédfeldolgozási modellek többféle szempont szerint csoportosíthatóak. Ferrand szerint (2017) 4 alapvető probléma jelöli ki e modelltípusokat: a feldolgozás folyamatosságának kérdése, a szegmentálás, illetve a beszélőnormalizálás és az elemi percepciós egység problematikája. Jól látható, hogy a fent említett modelltematizáló vitás pontok tisztázása egyértelműen meghatározza az egyes modellek „hatáskörét”. Általánosságban tehát elmondható, hogy bizonyos modellek elsősorban a percepcióra, mások pedig inkább a megértésre fókuszálnak (Gósy, 2005). Mivel a beszédfeldolgozás egyes – elsősorban, de nem kizárólag a magasabb szintű, az értelmezést, a szemantikai elemzést érintő – részfolyamatai bizonyosan nyelvspecifikusak, léteznek univerzálisnak tekinthető téziseken alapuló, azonban az egyes nyelvek jellegzetességeihez igazított modellek is (mondatmegértésben magyar nyelven például Pléh, 1998a).

Az egyik legkorábbi, azonban máig nagy hatással bíró elmélet a Haskins Laboratóriumban kidolgozott motoros teória (Liberman, 1957; Liberman et al., 1957; Liberman et al., 1967; Liberman–Mattingly, 1985). Az elmélet közvetlen kapcsolatot feltételez a beszédpercepció és a beszédprodukció között, vagyis a kiinduló hipotézis szerint miközben beszédet észlelünk, párhuzamosan produkáljuk is a hallottakat. Mivel magától értetődő módon minden beszélő produkál beszédhangokat a saját nyelvhasználatában, bizonyos mértékben – feltehetően nem tudatos szinten – a beszédhangokat vissza tudja vezetni az azok képzéséhez szükséges beszédszervek mozgására, helyzetére és a különböző fiziológiás mozzanatok akusztikai következményeire. Az akusztikai inger feldolgozása tehát az immanens artikulációs mozzanatok közbeiktatásával történik (Hörmann, 1971). Az elmélet átdolgozott változata szerint a befogadó nem a konkrét artikulációs gesztusok szerint észleli a bejövő hangzó ingert, hanem egyfajta absztrakt artikulációs tervet készít, amely fordított, beszélői szerepben a hallottakkal megegyező beszédproduktumot eredményezne, és következésképpen tartalmazza a hallottak produkálásához szükséges artikulációs mozzanatokat (Hawkins, 1999).

Az elmélet igazolására végzett számos empirikus kutatás nem igazolta egyértelműen a motoros teóriát. Peter Eimas és munkatársai (1987) például azt találták, hogy 10 hónapos, tehát még nem beszélő csecsemők nem csupán az őket folyamatosan körülvevő nyelv fonémáit képesek megkülönböztetni, hanem a világ számos más nyelvében megtalálható fonetikai kontrasztokra is érzékenyek.

A 60-as és 70-es években újabb modellek születtek, amelyek egy része a motoros elmélet bizonyos értelemben módosított változatán alapul, más modellek pedig a beszédfeldolgozás hierarchikus voltát hangsúlyozták. Az aktív-passzív modell (Stevens, 1960; Stevens–Halle, 1967; Stevens–House, 1972) szerint a percepció során a befogadó – hasonlóan a motoros teóriához – reprodukálja a hallottakat, mintegy párhuzamosan létrehozza a beszédet. Ebben a modellben azonban nem az artikulációs mozzanatok lekövetése, „néma” imitálása játszik szerepet a belső beszéd létrehozásában, hanem a hallgató a saját szintetizált jelei és a beszélő által létrehozott akusztikai jelek között keres egyezési pontokat.

A Bondarko-féle modell (Bondarko et al., 1968) a beszédfeldolgozás hierarchikus szerveződését hangsúlyozza, és számos későbbi modell kiindulási pontjaként szolgált. Előnye, hogy a folyamat teljes egészéről képet ad, az alacsonyabb szintű működésektől egészen az üzenet feldolgozásáig. A modell hat feldolgozási szintet különít el: hallási elemzés, fonológiai elemzés, fonetikai elemzés, morfológiai elemzés, szintaktikai elemzés. A 70-es évek hierarchikus modelljeinek mindegyike a fokozatos, egymásra épülő szintekből álló feldolgozási hipotézisből indult ki (Gósy, 2005). A hierarchikus modellek egy része kizárólag alulról felfelé építkező működéseket képzelt el, azonban egyes modellek a felülről lefelé ható folyamatokat sem zárták ki (pl. Lindner, 1977; Clark–Clark, 1977).

Kluender és Kiefte (2006) szerint a beszédészlelésnek sokáig kitüntetett szerepet tulajdonítottak a percepciókutatásban. Ennek oka egyrészt, hogy a kutatók úgy vélték, a más modalitású percepcióhoz képest a beszédpercepció ugyanolyan egyedi (humánspecifikum), mint maga a nyelv. Másrészt sokáig a nyelvészek és a pszicholingvisták közötti munkamegosztás értelmében az elméleti nyelvészet fogalmi apparátusához igazították a pszicholingvisztika kiinduló hipotéziseit, így a pszichológiában felhalmozott empirikus kutatási eredményeket jórészt figyelmen kívül hagyták.

Az 1980-as években kialakuló közvetlen realista elmélet szakít a beszédpercepció kutatásának hagyományos irányával, és a beszédfeldolgozást az általános, modalitásfüggetlen emberi percepció elméleti keretébe helyezi (Fowler, 1986; Browman–Goldstein, 1992). A modell lényege, hogy maga az akusztikai jel már elegendő az általa reprezentált esemény beazonosításához. A bejövő inger (jel) elemzése nem szükséges a feldolgozáshoz, hiszen a történés közvetlenül kapcsolódik magához az eseményhez. Az elméletet többek között Fowler (1984) kísérelte meg igazolni: azt találta, hogy a kísérleti személyek fonológiailag azonos hangsorokat nem tudtak megkülönböztetni, amikor azok fonetikailag eltérő kontextusban jelentek meg. A közvetlen realista elmélet előnye, hogy a beszédpercepciót más észlelési modellek megállapításaiba ágyazva magyarázza: mint ahogy egy tárgy vizuális észlelése során sem annak színét, vonalait, szögeit elemezzük és dolgozzuk fel izoláltan, hanem a tárgy észlelése egészlegesen történik, úgy a beszédpercepció során sem az artikulációs gesztusokat és azok akusztikai következményeit észleljük (Ferrand, 2017). Az elmélet hátránya azonban többek között az, hogy nem ad egyértelmű választ arra, hogy a különböző artikulációs gesztusok hogyan jelennek meg a folyamatos jelsorozatban, és hogyan azonosítjuk be azokat (Mády, 2008).

Lindblom H&H-elmélete (Lindblom, 1990) a beszélő és a befogadó viszonyában értelmezi egyszerre a produkciót és a feldolgozást. A modell abból indul ki, hogy a kommunikációban részt vevő felek kooperatívak, tehát a beszélő figyelembe veszi a mindenkori befogadó igényeit, a beszédhelyzetet, illetve a kettejük közötti viszonyt. Ennek megfelelően a beszédproduktum olykor pontosabban (hyperspeech), máskor lazábban (hypospeech) artikulált. Mivel a kommunikáció nyelven kívüli kontextusa folyamatosan változik, az akusztikum sem állandó, így az elmélet eleve nem igyekszik megoldani az invariancia problémáját. A beszélő a kommunikáció során két elvet követ. Egyrészt igyekszik az üzenetet a befogadó számára érthetővé tenni, és így a releváns hangtani kontrasztokat pontosan kiemelni, másrészt törekszik a gazdaságos beszédprodukcióra is, tehát a képzéshez szükséges erőfeszítést minimalizálja, ahol lehetséges. Ebből adódóan az akusztikai jelsorozat a túl- és az alulartikuláltság közötti skálán ingadozik. Fontos szerepet kap továbbá az extralingvális információk (beszédhelyzet, beszélő személye, világismeret, élettapasztalat) percepció közbeni felhasználása.

Az eddigiekben ismertetett modellekkel ellentétben a H&H-elmélet előnye, hogy a beszédfeldolgozás magasabb szintjeit és tényezőit is figyelembe veszi (például a világismeret szerepét, a hallottak értelmezését) (Mády, 2008), azonban a folyamat teljes egészéről nem ad pontos képet (bár az előzetes ismeretek megjelennek, a morfológiai/szintaktikai, illetve a szemantikai információk feldolgozásának dilemmáját nem oldja fel).

A beszédfeldolgozás kognitív modelljei elsősorban a beszédmegértés működésmechanizmusaira, tehát a magasabb szintű feldolgozási szerveződésekre fókuszálnak (Gósy, 2005). Az e modellek közötti alapvető különbség abban keresendő, hogy miként magyarázzák és határozzák meg az egyes szintek sorrendjét (Lukács–Pléh, 2003), illetve a tartalmi és a formai elemzés temporális és funkcionális viszonyát (Gósy, 2005; Lukács–Pléh, 2003; Csárdás, 2020a).

A modularista modellek közös jellemzője, hogy a beszédfeldolgozást kizárólag alulról felfelé építkező folyamatként képzelik el, tehát a hangok reprezentációjától jutnak el a mondatok szintjére. A háttérismeretek aktiválása és a szövegtartalom feldolgozása csupán a folyamat végén következik be (Pléh, 2015b). További alapvetése ezen modelleknek, hogy a tartalom és a forma különválasztható a feldolgozásban, és elsődleges szerepet kap a formai elemzés (vö. pl. Fodor, 1983; Smith–Tsimpli, 1995). George Miller és Stephen Isard klasszikus kísérletében (1963) a kísérleti személyeknek helyes, szintaktikailag hibás és szintaktikailag helyes, azonban szemantikailag szabálytalan mondatokat kellett elismételniük. Az eredmények azt mutatják, hogy a nyelvtani hibákat tartalmazó mondatok azonosítása pontatlanabb volt, mint a szemantikai anomáliákat tartalmazó mondatoké. A szerzők arra a következtetésre jutottak, hogy a feldolgozásban, bár mind a szintaktikai, mind a szemantikai információk együttes feldolgozása hozzájárul a nyelvi input értelmezéséhez (hiszen a szemantikailag szabálytalan mondatok azonosítása is gyengébb volt, mint a helyes mondatoké), a szintaktikai elemzés feltehetően megelőzi a szemantikait. Az ehhez hasonló korai kísérletek tanulságaiból kiindulva – miszerint a jelentés zavarát jobban toleráljuk, mint a nyelvtani hibát (Gósy, 2005) – kialakult az ún. formaközpontú-lineáris elmélet (Forster, 1979), amely abból indul ki, hogy a szerkezeti elemzés időben megelőzi a jelentés integrálását.

Az idegtudomány fejlődésének köszönhetően a 2000-es évektől lehetőség nyílt agyi képalkotó eljárásokkal, illetve a kiváltott agyi potenciálok elemzésén keresztül vizsgálni a szintaktikai és a szemantikai feldolgozás viszonyát. Az előbbi módszerrel végzett kutatások közül kiemelendő a Friederici-féle neurokognitív modell (2002), amely szerint a beszédfeldolgozás három szakaszból áll. Az első szakaszban történik meg a lokális mondatrészek feldolgozása (a lokális, rövid temporális hatósugarú elemzési mechanizmus elsődlegessége elsőként Frazier és Fodor ún. kolbásztöltő modelljében jelent meg, vö. sausage machine, Frazier–Fodor, 1978), ezt követi a szemantikai viszonyok meghatározása (a tematikusszerep-kiosztás alapján), majd végül ezen különböző információtípusok interakciójából létrejön a végső interpretáció.

A kiváltott agyi potenciálok vizsgálatán keresztül nyert eredmények a szintaktikai és a szemantikai hibák, illetve sértések beszédfeldolgozásra gyakorolt hatására fókuszálnak (pl. Newman et al., 2001; Friederici et al., 2002; Hagoort, 2003; Martín-Loeches et al., 2006; Ye et al., 2006). Peter Hagoort kísérletében az adatközlőknek négyféle mondatot kellett hangosan olvasniuk: (i) szintaktikai hibákat, (ii) szemantikai sértéseket, (iii) szintaktikai hibákat és szemantikai sértéseket tartalmazó mondatokat, illetve (iv) helyes mondatokat. A felolvasás közben komputerrel rögzítették az agyi elektromos aktivitást. Az eredmények azt mutatták, hogy a szemantikai sértések által kiváltott N400-as aktivitás intenzívebb volt, amikor a szemantikai sértés szintaktikai hibával együtt jelent meg, azonban a szintaktikai hiba által kiváltott P600-as aktivitás (ún. szintaktikai pozitív eltolódás) intenzitása nem változott, ha a szintaktikai hiba szemantikai sértéssel együtt szerepelt a mondatban. Az adatok alapján a szerző arra a következtetésre jutott, hogy a szintaktikai szerepek kijelölése független a szemantikai kontextustól, amennyiben a feldolgozást nem zavarja nyelvtani hiba. Ezzel ellentétben azonban a szemantikai információ integrálását nagymértékben befolyásolja a szintaktikai feldolgozás (Hagoort, 2003). Következésképpen feltételezhető, hogy amennyiben a szintaktikai feldolgozás hibára fut, a szemantikai információ aktiválása már nem kezdődik meg.

A moduláris hipotézissel szemben az interaktív (interakciós) modellek (pl. Marslen-Wilson–Tyler, 1980; Osgood, 1986) alapvetése, hogy a megértést alulról felfelé és felülről lefelé ható folyamatok párhuzamos működése teszi lehetővé. Emellett fontos, hogy e modellek a forma és a tartalom egységét hirdetik, és kitüntetett szerepet tulajdonítanak a jelentésnek (Gósy, 2005). A feldolgozási szintek párhuzamosan (és nem szekvenciálisan, lásd modularista modellek) működnek, így a különböző típusú információkon végrehajtott elemzési eredmények közvetlenül hatnak a többi szint működésére. A különböző műveleteket egy ún. központi irányító kontrollálja (Pléh, 1998b).

A fentebb kifejtett modellek a beszédfeldolgozás folyamatának feltételezett, többé-kevésbé absztrakt szintjeit írják le, illetve eszerint csoportosíthatóak (pl. a beszédészlelésre vagy a beszédértésre fókuszáló modellek). A következőkben azon modelleket ismertetem röviden, amelyek a nyelv szerveződési szintjei szerint magyarázzák a beszédfeldolgozás működését, azaz a szóértés, a mondatértés, illetve a szövegértés mechanizmusát mutatják be (Pisoni–Remez, 2005).