การวิจัยนี้มุ่งศึกษาผลกระทบจากปัจจัยทางภาษาศาสตร์ อันได้แก่ โครงสร้างพยางค์บริบท ทำนองเสียง และเสียงหนัก/เบา ต่อการรู้จำวรรณยุกต์ในคำพูดต่อเนื่องภาษาไทยและพัฒนาแบบจำลองวรรณยุกต์เพื่อแก้ปัญหาผลกระทบดังกล่าว การวิจัยเริ่มจากการศึกษาผลกระทบของหน่วยเสียงพยัญชนะต้น สระ และพยัญชนะตัวสะกด ต่อการรู้จำเสียงวรรณยุกต์ในคำพูดเดี่ยว ผู้วิจัยเสนอลักษณะสำคัญของเสียงวรรณยุกต์ชุดใหม่ซึ่งให้ผลการรู้จำที่ดีกว่าลักษณะสำคัญที่ใช้กันแต่เดิม นอกจากนี้ ผู้วิจัยได้ศึกษาการผสมผสานตัวแยกแยะแทนการใช้ตัวแยกแยะเดี่ยว เพื่อเพิ่มอัตราการรู้จำ ผู้วิจัยได้พัฒนากรอบงานการรู้จำเสียงวรรณยุกต์พื้นฐานสำหรับคำพูดต่อเนื่องภาษาไทย โดยกรอบงานประกอบด้วยแบบจำลองวรรณยุกต์ และตัวแยกแยะ โดยที่แบบจำลองวรรณยุกต์จะพิจารณาใช้องค์ประกอบที่สำคัญในการจำแนกเสียงวรรณยุกต์ คือ ลักษณะสำคัญของเสียงวรรณยุกต์ หน่วยความถี่มูลฐาน เทคนิคการปรับบรรทัดฐาน และส่วนประกอบของพยางค์ที่เป็นตัวเกาะของวรรณยุกต์ ขณะที่ตัวแยกแยะจะใช้ข่ายงานระบบประสาท จากนั้น ผู้วิจัยได้ศึกษาผลกระทบของบริบทต่อเสียงวรรณยุกต์ และได้เสนอชุดลักษณะสำคัญ เรียกว่า ลักษณะสำคัญของเสียงวรรณยุกต์แบบพึ่งพาบริบท (contextualtone features) เพื่อแก้ผลกระทบจากบริบท พบว่าอัตราการลดลงของความผิดพลาดสูงสุดเท่กับ 56.17 42.47 และ 42.42 เปอร์เซ็นต์ สำหรับฐานข้อมูล TPC PC-99 และ TASCตามลำดับ นอกจากนั้น ผู้วิจัยได้ทดลองแบบจำลองวรรณยุกต์แบบขึ้นกับบริบท (context-dependent tone model) และเสนอแบบจำลองครึ่งวรรณยุกต์ (half-tone model) พบว่าแบบจำลองทั้งสองให้อัตราการรู้จำดีขึ้น แต่เวลาในการฝึกของแบบจำลองครึ่งวรรณยุกต์น้อยกว่าถึง 1 ใน 4 ของแบบจำลองวรรณยุกต์แบบขึ้นกับบริบท จากนั้น ผู้วิจัยได้ศึกษาผลกระทบจากเสียงหนัก/เบา โดยเริ่มจากการออกแบบวิธีการแยกเสียงหนักเบา โดยใช้ลักษณะทางสวนศาสตร์ต่าง ๆ คือ ระยะเวลา พลังงาน และ ความถี่มูลฐาน โดยศึกษาจากหน่วยเสียงขนาดต่าง ๆ คือ สระ หน่วยตาม (rhyme) และ พยางค์จากการทดลองพบว่า การใช้หน่วยเสียงตามให้ผลการแยกแยะดีที่สุด ผู้วิจัยยังได้เสนอวิธีการแยกเสียงหนัก/เบา (separated stress method) และวิธีการรวมลักษณะสำคัญของเสียงหนัก/เบา (incorporated stress feature method) เพื่อลดผลกระทบของเสียงหนัก/เบาที่มีต่อการรู้วรรณยุกต์ จากผลการทดลองพบว่า ทั้งสองวิธีช่วยเพิ่มอัตราการรู้จำโดยมีอัตราการลดลงของความผิดพลาดสูงสุดที่ 32.43 และ 27.16 เปอร์เซ็นต์ สำหรับฐานข้อมูล TPC และ TASC ตามลำดับ ท้ายสุด ผู้วิจัยได้นำแบบจำลองวรรณยุกต์ชนิดต่าง ๆ มาประยุกต์กับระบบการรู้จำเสียงพูดระดับพยางค์ ซึ่งจากการทดลองพบว่า อัตราการลดลงของความผิดพลาดสูงสุดคือ 85.16 และ 75.06 เปอร์เซ็นต์ สำหรับฐานข้อมูล TPC และ TASC ตามลำดับ