La frase el gato duerme aparece en la página como tres palabras separadas. Cuando alguien la pronuncia, el oyente recibe una corriente de energía acústica. Puede haber pausas, pero rara vez coinciden con todas las fronteras entre palabras. Las vocales cambian por influencia de las consonantes vecinas y algunos sonidos se reducen hasta volverse poco reconocibles si se aíslan de la frase. La segmentación, obvia en la escritura, debe construirse durante la escucha.
El problema se aprecia en una conversación común. Alguien habla desde otra habitación y se alcanza a oír ... la casa. Según lo que haya precedido, la señal podría corresponder, en una variedad seseante, a la casa, la caza o incluso a una segmentación equivocada de un tramo más extenso. El oyente se guía por el contexto, por la fonología de su lengua y por las propiedades acústicas que todavía están disponibles. Muchas veces acierta antes de que la palabra termine y en otras ocasiones corrige su interpretación cuando llega el siguiente segmento.
El reconocimiento de palabras habladas estudia cómo una señal continua se transforma en hipótesis lexicales. La lectura Léxico mental y acceso lexical examinó qué representaciones pueden activarse y cómo influyen su frecuencia y sus competidores. Ahora importa el tiempo. La entrada cambia en cada instante y el sistema debe aprovechar información parcial sin comprometerse de forma irreversible con la primera palabra plausible. Las teorías de Cohorte, TRACE, Shortlist y los modelos de vecindario dan respuestas diferentes a ese problema.
Los sonidos varían con quienes los producen
La realización de una palabra depende del hablante, del ritmo y del entorno fonético. La vocal de casa cambia de duración según la velocidad y la prominencia. Sus consonantes influyen en las transiciones acústicas que la rodean. La señal producida por dos hablantes difiere en frecuencia fundamental, resonancias y propiedades articulatorias, incluso cuando ambos dicen exactamente lo mismo.
La coarticulación explica parte de esa variabilidad, puesto que los movimientos necesarios para articular un segmento se solapan con los del siguiente. La información acerca de una consonante puede empezar antes de que esa consonante tenga su realización acústica más evidente. El oyente aprovecha esos indicios distribuidos sin esperar una secuencia de sonidos ideales nítidamente separados.
En el habla espontánea aparecen reducciones adicionales. Las sílabas no acentuadas pueden acortarse, algunas vocales se debilitan y ciertas consonantes se asimilan al punto de articulación de las vecinas. Una forma tan frecuente como para admite realizaciones muy reducidas en distintas variedades del español. Comparar la señal con una grabación única de diccionario sería una solución insuficiente.
Los modelos han explorado diferentes respuestas. Una consiste en almacenar varias realizaciones de una palabra. Otra postula representaciones relativamente abstractas junto con conocimientos sobre cómo se transforma la pronunciación en contexto. Una tercera aprende distribuciones de variación sin separar de forma tajante la forma canónica de sus variantes. Los datos sobre generalización a voces nuevas y sobre reconocimiento de pronunciaciones inusuales ayudan a discriminar estas propuestas.
Encontrar dónde empieza la siguiente palabra
Para segmentar una frase, el oyente reúne pistas que rara vez son concluyentes por separado. La fonotáctica restringe qué secuencias pueden aparecer dentro de una palabra y la prosodia informa sobre acentos y posibles fronteras. La duración relativa de los segmentos, las pausas y las probabilidades de transición proporcionan indicios adicionales.
El peso de esas pistas depende de la lengua. Cutler y Norris (1988) mostraron para el inglés la importancia de las sílabas fuertes como posibles puntos de inicio lexical. Su estrategia de segmentación métrica explotaba una propiedad estadística del inglés y no podía trasladarse automáticamente a lenguas con otros patrones prosódicos. En francés, japonés o español, la distribución de la prominencia y de las unidades rítmicas impone restricciones distintas.
Un ejemplo español revela cuánta información falta en la escritura ordinaria. En aguas y enaguas pueden acercarse acústicamente en ciertas realizaciones, aunque difieran en número de palabras, estructura silábica y significado. La entonación, el alargamiento y el contexto ayudan a decidir entre las dos. Una pausa no garantiza siempre la frontera. Dentro de una palabra puede haber detenciones articulatorias y entre palabras puede mantenerse una pronunciación continua. El oyente ha aprendido correlaciones que vuelven unas fronteras más plausibles que otras.
La segmentación es una inferencia sobre el análisis completo de la secuencia. Si un tramo acústico admite dos divisiones, el sistema favorece la que produce palabras posibles y encaja con las señales disponibles. En ese proceso, el léxico ayuda a establecer fronteras que después parecen evidentes. La aparente circularidad es real y productiva, porque para identificar palabras se necesitan fronteras y conocer palabras ayuda a determinar dónde están esas fronteras.
Mattys, White y Melhorn (2005) estudiaron la integración de pistas de segmentación y mostraron que su peso varía con las condiciones de escucha. Cuando la señal es clara y las palabras son reconocibles, la información lexical puede ser muy eficaz. Al degradar la señal, cobran mayor relevancia pistas fonéticas y prosódicas que en otras condiciones quedaban en segundo plano. Una teoría de segmentación debe incorporar esa flexibilidad antes que imponer un procedimiento fijo.
La primera sílaba activa varias palabras
Marslen-Wilson y Welsh (1978) formularon una propuesta influyente, el modelo de Cohorte. Al comenzar una palabra, se activa un grupo de candidatos compatibles con los sonidos iniciales. Cada segmento nuevo reduce ese conjunto hasta que una alternativa puede identificarse con suficiente seguridad. El reconocimiento es incremental porque las hipótesis se actualizan antes de que termine el estímulo.
La secuencia inicial de capilla puede favorecer transitoriamente capa, capaz o capitán, con pesos diferentes según la señal disponible. La palabra se vuelve progresivamente más identificable cuando llegan segmentos que excluyen a los competidores. El llamado punto de unicidad es el momento en que, para un vocabulario y una pronunciación dados, ningún otro candidato comparte la misma continuación relevante.
El punto de unicidad es una propiedad útil del material lexical, aunque no debe imaginarse como un interruptor que cierra de inmediato la percepción. Un oyente puede reconocer una palabra antes de su unicidad estricta porque el contexto la hace muy probable. También puede seguir inseguro después de ella si la señal es pobre. La teoría temprana de Cohorte concedía especial importancia a una coincidencia correcta con el inicio de la palabra y por eso tenía dificultades ante errores y reducciones iniciales. Las reformulaciones posteriores adoptaron una activación más graduada.
La utilidad del inicio puede comprobarse con palabras que comparten gran parte de su primera sílaba y divergen pronto, frente a otras que solo se distinguen cerca del final. En estas últimas, la competición se mantiene por más tiempo. También pueden llegar al comienzo sonidos degradados que no coinciden exactamente con ningún candidato. Un sistema demasiado rígido perdería la palabra correcta antes de recibir la información que la distingue. La activación gradual protege frente a esa dificultad. Los candidatos reciben apoyo en proporción a su compatibilidad y pueden recuperarse cuando la señal posterior cambia las preferencias.
Grosjean (1980) estudió el reconocimiento parcial mediante la técnica de gating. Los participantes reciben fragmentos progresivamente más largos de una palabra y proponen qué escucharon. Se observa así cómo cambia el conjunto de candidatos y cuándo una respuesta se estabiliza. El procedimiento transforma la intuición de reconocimiento anticipado en una medida experimental. Tiene, desde luego, un costo ecológico. Escuchar fragmentos aislados y responder repetidamente es distinto de seguir una conversación natural.
TRACE y el procesamiento interactivo
McClelland y Elman (1986) propusieron TRACE, una red con representaciones de rasgos acústicos, fonemas y palabras. Las unidades compatibles facilitan mutuamente su activación y los competidores se inhiben. La característica más discutida del modelo es la retroalimentación. Las palabras activadas pueden influir sobre las representaciones fonéticas que contribuyeron a activarlas.
Esa arquitectura da cuenta de cómo una señal fonética ambigua puede estabilizarse bajo la influencia de una palabra conocida. También explica la competencia entre candidatos de distinta longitud y con solapamientos temporales. TRACE fue importante porque sustituyó la descripción verbal del reconocimiento por mecanismos explícitos y obligó a verificar qué patrones podía reproducir una red.
El lugar de la retroalimentación continúa siendo objeto de debate. Observar que el conocimiento lexical influye en una respuesta fonética demuestra una relación funcional entre ambos niveles. La influencia podría ocurrir antes de construir una categoría fonológica, durante la competencia lexical o en una decisión posterior. Distintas arquitecturas pueden generar la misma respuesta final. Los modelos necesitan por eso predicciones diferenciables acerca del momento del efecto, su persistencia y su transferencia a tareas donde no se pide una categorización explícita.
TRACE añade una idea temporal que merece atención. Las unidades fonémicas no se activan en una posición abstracta y única. El modelo conserva información sobre su aparición en distintos momentos de la señal. Esa organización hace posible que una palabra corta compita con una más larga de la que forma parte. Su implementación es idealizada, pero el desafío es auténtico. Para reconocer casa dentro de una secuencia mayor importa saber cuándo empezaría y acabaría esa unidad. Una representación que olvidara el orden no distinguiría adecuadamente palabras compuestas por los mismos segmentos en secuencias diferentes.
La discusión avanza más al examinar fenómenos concretos, como los efectos de categorización guiada por el léxico y la restauración de sonidos físicamente ausentes. Ambos muestran hasta dónde puede llegar una interpretación construida con información parcial.
Oír lo que la palabra hace probable
Ganong (1980) utilizó continuos fonéticos ambiguos donde una categorización conducía a una palabra inglesa y la alternativa a una no palabra. Las decisiones de los participantes se desplazaban hacia la interpretación que daba lugar a una palabra conocida. La misma señal fonética recibía entonces una categorización diferente según el contexto lexical.
El efecto Ganong plantea la pregunta de si el léxico modifica lo que se percibe o solo la decisión sobre una señal perceptiva todavía ambigua. La respuesta no se obtiene a partir del desplazamiento categorial por sí solo. Los modelos interactivos recurren a la retroalimentación. Otros sitúan la combinación de evidencia en una etapa de juicio. La comparación entre tareas perceptivas y tareas de decisión puede ayudar a localizar el efecto.
Warren (1970) observó otro fenómeno. Cuando un segmento del habla se sustituye por un ruido, el oyente puede experimentar que el fonema ausente estuvo presente. La restauración fonémica muestra que la percepción consciente del habla incorpora información lexical y contextual. Una señal físicamente incompleta puede dar lugar a una experiencia de palabra continua.
La restauración no exige imaginar que el cerebro reconstruyó un fonema acústico real dentro de la señal. La entrada física sigue incompleta y lo que cambia es la representación perceptiva final. Estas ilusiones son instructivas porque revelan el costo y el beneficio de un sistema que utiliza conocimiento previo. La misma capacidad que sostiene la comprensión bajo ruido puede producir una palabra que el hablante nunca pronunció.
Competir sin retroalimentación perceptiva
Norris (1994) propuso Shortlist como alternativa centrada en la activación de candidatos y su competencia. La señal fonética genera una lista relativamente pequeña de palabras plausibles, que compiten para explicar los segmentos disponibles. El modelo no necesita que las palabras alteren retrospectivamente las representaciones fonéticas iniciales, porque la interacción se sitúa en la selección entre hipótesis lexicales.
Shortlist B, desarrollado por Norris y McQueen (2008), reformuló el reconocimiento como inferencia bayesiana. Se estima qué palabra es más probable dada la señal. Si llamamos a una palabra y a la evidencia acústica, el cálculo conceptual es:
Aquí representa la probabilidad previa de la palabra y la compatibilidad entre esa palabra y la señal. Una palabra frecuente puede ser inicialmente más probable que una rara. Cuando la evidencia acústica favorece de modo claro a la segunda, la distribución posterior debe actualizarse.
Supóngase que una forma frecuente tiene una probabilidad previa elevada, pero la señal se parece mucho más a otra forma menos habitual. Al principio puede dominar la alternativa frecuente. La llegada de un segmento incompatible hará caer su plausibilidad. El enfoque bayesiano representa esa revisión sin necesitar una decisión irrevocable en cada fonema. También permite describir cómo cambia el resultado cuando hay ruido. Al disminuir la precisión de la señal, la distribución previa adquiere más influencia. Si la acústica se vuelve suficientemente diagnóstica, el contexto pierde parte de ese poder.
El formalismo describe qué información necesitaría combinar un sistema capaz de inferir bajo incertidumbre sin implicar que el cerebro compute conscientemente cocientes de probabilidades. Su fuerza explicativa aparece cuando predice qué alternativa debería ganar ante distintas combinaciones de frecuencia y semejanza fonética. TRACE y Shortlist B comparten el reconocimiento gradual y la competición, pero difieren en las relaciones causales que proponen entre niveles.
Vecindarios, rimas y palabras dentro de palabras
El Neighborhood Activation Model de Luce y Pisoni (1998) predice que la identificación de una palabra depende de la evidencia a su favor en relación con la evidencia favorable a sus vecinos. Las palabras con muchos competidores frecuentes requieren una resolución más fina. Una forma con escasa competencia puede alcanzar una identificación suficiente con menos información.
Junto a los candidatos que comparten inicio, pueden activarse palabras que coinciden en la parte final o que están incrustadas dentro de otras. Una palabra corta puede corresponder a la primera parte de otra más larga y la señal debe determinar cuándo termina realmente la unidad. La prosodia contribuye a resolver esas hipótesis.
Allopenna, Magnuson y Tanenhaus (1998) examinaron la activación de competidores mediante movimientos oculares en el paradigma del mundo visual. Mientras los participantes escuchaban instrucciones, su mirada se dirigía temporalmente a objetos cuyos nombres compartían el comienzo con la palabra objetivo. También aparecían efectos de rima. La distribución de miradas daba una medida de la competencia en marcha, antes de que se emitiera la respuesta final.
Un movimiento ocular no es una lectura literal de la activación de una palabra, porque depende de la escena disponible y de la tarea. Su valor está en la cronología. Los competidores cambian su atractivo mientras se recibe el habla y el reconocimiento se hace visible como un proceso de selección progresiva, con varias interpretaciones que sobreviven durante un tiempo.
Las fronteras también restringen la competición
McQueen, Norris y Cutler (1994) investigaron cómo se detectan palabras dentro de secuencias mayores. La restricción de palabra posible, formulada después por Norris, McQueen, Cutler y Butterfield (1997) y conocida como Possible Word Constraint, penaliza análisis que dejan fragmentos incapaces de formar palabras fonológicamente legales. El sistema considera la plausibilidad de la segmentación global, además del parecido local entre un tramo y una entrada lexical.
El criterio obliga a mirar más allá del candidato elegido. Supóngase que un tramo intermedio coincide con una palabra conocida, pero extraerlo deja a cada lado fragmentos que no podrían pronunciarse como palabras de esa lengua. La coincidencia local pierde atractivo frente a otra segmentación que cubre la señal de manera completa. Esta restricción puede intervenir sin que el oyente represente conscientemente todas las divisiones. Forma parte de la experiencia estadística adquirida con las secuencias habituales de la lengua.
La relevancia de esta idea se aprecia al comparar dos casos, una palabra candidata seguida de material que puede formar otra palabra y la misma candidata rodeada de residuos imposibles. Una coincidencia fonética buena puede ser insuficiente si el resto de la secuencia queda sin explicación aceptable, porque la segmentación y la identificación se condicionan mutuamente.
Salverda, Dahan y McQueen (2003) examinaron el papel de las fronteras prosódicas en palabras incrustadas. La duración y la estructura prosódica ayudan a decidir si una secuencia pertenece a una palabra corta o forma parte de otra más larga. La información temporal del habla es parte de la evidencia lexical y el oyente aprovecha detalles que una transcripción ortográfica elimina.
Pronunciaciones reducidas y adaptación a una voz
La variación de pronunciación es sistemática. En una secuencia rápida, una consonante puede aproximarse al punto de articulación del sonido siguiente. La reducción de vocales y sílabas puede alterar la superficie acústica. El oyente no trata todas las desviaciones de la misma manera. Una realización compatible con el entorno fonológico suele tolerarse mejor que una alteración sin justificación contextual.
La asimilación muestra que el reconocimiento utiliza conocimiento sobre la producción. Una nasal puede adaptar su lugar de articulación a una consonante posterior, como sucede en numerosas realizaciones del español. Si una desviación corresponde a un proceso regular de la lengua, la distancia respecto de la pronunciación aislada deja de ser un índice suficiente de dificultad.
También importa la experiencia con el hablante. Norris, McQueen y Cutler (2003) estudiaron el aprendizaje perceptivo guiado por el léxico. Cuando una persona oye un sonido ambiguo dentro de una palabra conocida, esa palabra aporta información sobre la categoría fonética que el interlocutor está usando. Tras la exposición, el oyente puede reinterpretar otros sonidos similares de la misma voz, con una percepción recalibrada a partir del contexto lexical.
La flexibilidad tiene un límite funcional. Una adaptación útil debe permitir comprender a una persona con una pronunciación poco familiar sin alterar indiscriminadamente el reconocimiento de todas las demás. Si un sonido ambiguo se interpreta como /s/ por la experiencia con una voz concreta, el sistema necesita conservar información sobre las condiciones en que aprendió esa equivalencia. Las investigaciones sobre recalibración perceptiva exploran cuánto se generaliza el aprendizaje a otras palabras, segmentos y hablantes, dado que no todas las generalizaciones son igualmente beneficiosas.
La adaptación no exige que todos los acentos terminen representados por una norma única. Un oyente puede aprender realizaciones diferentes de una misma categoría en distintas comunidades o hablantes. La familiaridad con una voz facilita el reconocimiento y reduce errores iniciales. Una dificultad frente a un acento nuevo describe ante todo la relación entre repertorios y experiencias, sin que implique una deficiencia intrínseca de quien habla.
Ruido, predicción y pseudopalabras
Bajo ruido, una parte de la señal deja de estar disponible y el oyente concede entonces mayor peso a las expectativas. Si alguien dice El médico pidió una placa desde un pasillo ruidoso, una interpretación como plaza puede ganar transitoriamente cuando la pista consonántica queda degradada. Un contexto posterior sobre radiología favorece recuperar placa, porque la percepción puede revisarse cuando llegan indicios nuevos.
Este mecanismo explica la ventaja del contexto y su riesgo simétrico. La palabra esperada puede imponerse incluso cuando no fue pronunciada. Una conversación clara da señal suficiente para corregir la hipótesis, pero una conversación muy degradada aumenta la dependencia de probabilidades previas. La exactitud depende de la calibración entre evidencia y expectativa.
Las pseudopalabras permiten examinar el rechazo de hipótesis lexicales. Una secuencia como fradín, construida para ser fonotácticamente plausible en español, puede activar durante un instante vecinos reales. El reconocimiento adecuado requiere finalmente concluir que la señal no corresponde a ninguna palabra familiar. Una pseudopalabra muy semejante a palabras reales suele competir con más candidatos que otra fonológicamente extravagante, aunque el patrón concreto depende de la tarea.
En el habla cotidiana, una secuencia desconocida puede ser una pseudopalabra experimental, un nombre propio, un término técnico o una palabra de otra lengua. El sistema no dispone de esa distinción de antemano y debe valorar si conviene revisar el análisis fonético, aprender una forma nueva o reconocer que el interlocutor produjo una unidad fuera del léxico conocido. Esta capacidad de permanecer incierto es parte de la competencia de reconocimiento.
Los métodos siguen la palabra en el tiempo
Las tareas de identificación al final del estímulo dicen qué interpretación ganó, pero para conocer el proceso se necesitan medidas temporales. El gating revela qué candidatos aparecen después de distintos fragmentos, aunque la repetición artificial de segmentos modifica la tarea. El mundo visual da una medida indirecta de activación mientras se oye una emisión completa. Su interpretación depende de los objetos disponibles en la escena.
En investigación también importa separar la precisión del tiempo necesario para responder. Dos oyentes pueden identificar la misma palabra, aunque uno lo haga tras un período de competencia mucho más extenso. Los errores finales describen qué opción ganó, mientras los movimientos oculares y las medidas neurofisiológicas revelan parte del recorrido. Una arquitectura capaz de explicar los aciertos y fracasos debe poder anticipar además las demoras y las revisiones que aparecen antes de la respuesta.
Los experimentos de categorización fonética permiten controlar gradualmente propiedades acústicas y la manipulación de ruido muestra cómo se ponderan las expectativas. Con los paradigmas de aprendizaje perceptivo se observa si el sistema modifica sus categorías después de escuchar a un hablante. Ninguna tarea reproduce por sí sola la conversación real, pero su combinación restringe las teorías.
Los potenciales relacionados con eventos, la magnetoencefalografía y otras técnicas indican cuándo ciertos contrastes alteran la actividad cerebral. La neuroimagen aporta información complementaria sobre redes temporales y frontales implicadas en el reconocimiento. Su lectura requiere distinguir correlación de causalidad. Una región activada durante la escucha puede participar en percepción, selección, atención o control, pero la activación aislada no identifica cuál de esas funciones explica la diferencia.
La memoria de trabajo participa cuando la decisión no puede cerrarse de inmediato. Un comienzo ambiguo puede mantenerse parcialmente disponible mientras llega información nueva. Si el oyente pierde esa información, la continuación no bastará para reconstruir la palabra. Esto no significa que el reconocimiento lexical dependa siempre de recordar literalmente todos los fonemas previos, porque la representación intermedia puede comprimir hipótesis sobre formas y fronteras. Las restricciones de memoria cobran mayor importancia cuando el habla es rápida, la señal es pobre o varias palabras compiten durante demasiado tiempo.
La evidencia clínica agrega disociaciones relevantes. Una persona puede oír sonidos y fallar al identificar palabras; otra puede reconocer la palabra y no acceder bien a su significado. La evaluación debe separar discriminación auditiva, análisis fonológico, reconocimiento lexical e integración semántica. La naturaleza de la tarea importa especialmente cuando existen pérdidas auditivas, fatiga o fluctuaciones de atención.
Entre lenguas, tecnologías y conversaciones clínicas
La competencia lexical puede atravesar fronteras lingüísticas. En un oyente bilingüe, una secuencia inicial puede activar candidatos de dos lenguas, con fuerza variable según su dominio y el contexto. El interlocutor, la prosodia y la situación ayudan a ponderar esas alternativas. La coactivación no implica falta de control. Forma parte de un repertorio que puede utilizar asociaciones entre lenguas o inhibir competidores cuando la tarea lo exige.
Los sistemas automáticos de reconocimiento del habla enfrentan problemas comparables. Deben relacionar una señal variable con unidades lingüísticas y aprovechar el contexto para elegir entre hipótesis. Los modelos actuales aprenden representaciones acústicas y distribuciones de secuencias, aunque su implementación es distinta de la percepción humana. La similitud de los problemas no demuestra identidad de arquitectura. Un sistema artificial puede rendir bien con grandes volúmenes de entrenamiento y fracasar ante un acento o entorno que difiere de sus datos.
Un error de reconocimiento del habla tampoco debe confundirse con una experiencia alucinatoria. En el primer caso, una señal externa ambigua puede ser interpretada como otra palabra. En una alucinación verbal hay una experiencia auditiva sin el estímulo correspondiente. Existen preguntas de investigación acerca del papel de las expectativas en ambas experiencias, pero la semejanza en una operación predictiva no vuelve equivalentes los fenómenos. Una evaluación rigurosa distingue el estímulo disponible, las condiciones de percepción y el relato subjetivo.
En la clínica conviene examinar el entorno antes de interpretar una respuesta extraña. Una persona que responde de manera aparentemente tangencial puede haber oído una palabra diferente. Repetir una pregunta con mayor intensidad no siempre resuelve el problema, porque una hipoacusia, una dificultad de discriminación fonológica o un término desconocido requieren intervenciones distintas. Una formulación alternativa, un ambiente silencioso o una comprobación de lo entendido pueden aclarar cuál de esas intervenciones corresponde.
El lenguaje literario explota otra relación con la oralidad. El diálogo escrito viene segmentado, aunque puede sugerir reducciones, interrupciones y malentendidos mediante ritmo y sintaxis. Transcribir fonéticamente cada rasgo de un acento suele añadir dificultades de lectura y puede convertir la variación en caricatura. La oralidad literaria es una construcción selectiva, basada en rasgos que el lector reconoce como suficientes para reconstruir una voz.
El reconocimiento de palabras habladas muestra cómo la percepción mantiene hipótesis revisables mientras avanza una señal incompleta. Las palabras pueden activarse con una sola sílaba y perder apoyo unas décimas de segundo después. El sistema combina conocimiento lexical con indicios acústicos que varían entre hablantes y contextos. La siguiente dificultad aparece cuando las palabras reconocidas deben integrarse en una estructura sintáctica que todavía está por terminar, asunto de la lectura Procesamiento sintáctico incremental.
Referencias
Allopenna, P. D., Magnuson, J. S., y Tanenhaus, M. K. (1998). Tracking the time course of spoken word recognition using eye movements: Evidence for continuous mapping models. Journal of Memory and Language, 38(4), 419–439.
Cutler, A., y Norris, D. (1988). The role of strong syllables in segmentation for lexical access. Journal of Experimental Psychology: Human Perception and Performance, 14(1), 113–121.
Ganong, W. F. (1980). Phonetic categorization in auditory word perception. Journal of Experimental Psychology: Human Perception and Performance, 6(1), 110–125.
Grosjean, F. (1980). Spoken word recognition processes and the gating paradigm. Perception & Psychophysics, 28(4), 267–283.
Luce, P. A., y Pisoni, D. B. (1998). Recognizing spoken words: The neighborhood activation model. Ear and Hearing, 19(1), 1–36.
Marslen-Wilson, W. D., y Welsh, A. (1978). Processing interactions and lexical access during word recognition in continuous speech. Cognitive Psychology, 10(1), 29–63.
Mattys, S. L., White, L., y Melhorn, J. F. (2005). Integration of multiple speech segmentation cues: A hierarchical framework. Journal of Experimental Psychology: General, 134(4), 477–500.
McClelland, J. L., y Elman, J. L. (1986). The TRACE model of speech perception. Cognitive Psychology, 18(1), 1–86.
McQueen, J. M., Norris, D., y Cutler, A. (1994). Competition in spoken word recognition: Spotting words in other words. Journal of Experimental Psychology: Learning, Memory, and Cognition, 20(3), 621–638.
Norris, D. (1994). Shortlist: A connectionist model of continuous speech recognition. Cognition, 52(3), 189–234.
Norris, D., McQueen, J. M., y Cutler, A. (2003). Perceptual learning in speech. Cognitive Psychology, 47(2), 204–238.
Norris, D., McQueen, J. M., Cutler, A., y Butterfield, S. (1997). The possible-word constraint in the segmentation of continuous speech. Cognitive Psychology, 34(3), 191–243.
Norris, D., y McQueen, J. M. (2008). Shortlist B: A Bayesian model of continuous speech recognition. Psychological Review, 115(2), 357–395.
Salverda, A. P., Dahan, D., y McQueen, J. M. (2003). The role of prosodic boundaries in the resolution of lexical embedding in speech comprehension. Cognition, 90(1), 51–89.
Warren, R. M. (1970). Perceptual restoration of missing speech sounds. Science, 167(3917), 392–393.