нормализуют они не по носителям, а по таким же изучающим язык
Ну в принципе это логично, потому что изучающий с с1 говорит всяко грамотнее, чем нейтив "не делай в меня беременного мозга, ложь сюды и иди бройся!

Покупайте меня что б я свое позорище довела до ума

уровень по качеству фонем (расстояниям между ними и их положению)
Это что именно имеется в виду? В официальной оценке есть какая-то разница не в грамотной речи и активной лексике, а ещё и в произношении? Оо
Без идеального th с2 не получить, даже если ты с листа диссертацию способен на язык перевести не по своей специальности?

мне кажется, что в какой-то момент речь становится плавнее, акцент остается, но нет задержек, что видно в фонемах, которые становятся все более приближенны к нормам.

Постараюсь ответить позже, но длинный ответ, как стоило бы, с телефона набирать неудобно :/

Беглость и плавность речи, видимо.

Altra Realta
Каждый звуковой сигнал можно проанализировать по его частотам. Шипящие на спектрограмме - это шум на определенной частоте, взрывные - напряженная тишина с последующим взрывом, а гласные - энергия, сконцентрированная на конкретных частотах (на каждой частоте, по вертикали, проходит как будто горизонтальная, поднимающаяся или опускающаяся полоса - такая полоса называется формант). Положение формантов определяется положением речевых органов во время речи. Первых трех (ну если шикануть, то четырех) формантов и компьютеру, и человеку достаточно, чтобы определить, что это за звук.
Все говорят чуть-чуть по-разному: женщины выше, чем мужчины, дети выше, чем женщины. У всех форманты располагаются в разных местах (и, естественно, даже один и тот же человек не говорит всегда одинаково). Но каким-то образом мы друг друга понимаем. Это происходит благодаря тому, что нам важно не только чтобы первый формант проходил примерно на тысяче килогерц, а и чтобы, например, он был примерно на тысяче и близко ко второму. Если абсолютное и относительное положение формантов примерно то, как мы за свою жизнь на этом языке привыкли, то мы поймём правильно.
Это даёт первую идею, как оценивать издаваемый изучающим английский звук: похоже ли его а на а, э на э...
Второй важный аспект - что если, например, моё sit в целом примерно то, что надо, но смещено в сторону того, как все говорят seat, а seat в целом примерно то, что надо, но смещено в сторону того, как все говорят sit, то в результате получается, что по точности-то я не так и плохо справляюсь, но слушая меня, угадать, я имела в виду sit или seat, никто не может. Тут важно не только расстояние до эталонных sit и seat. Возможно, меня будет легче понимать, если я и sit, и seat буду произносить не совсем правильно, но создавая между ними как раз ту разницу, которую ожидают другие люди, говорящие на английском.