Na potlačenie vplyvu zmien prostredia (podmienok pri trénovaní a testovaní: šumy, nahrávacie zariadenia, prostredie, atď.) a aj samotného hovoriaceho bolo vynájdených veľa metód využívajúcich rôzne predpoklady a spôsoby činnosti. Najjednoduchšie metódy normalizujú príznaky napr. tak, aby mali rovnakú energiu v meraných pásmach (ekvalizácia). Často sa to robí odčítaním priemerného kepstra. Ďalej je možné využiť fixne nastavené filtre, ktoré majú za cieľ zvýrazňovať modulačné spektrum reči, alebo pomocou tzv. relatívnej spektrálnej analýzy (RASTA). Sofistikovanejšie metódy sa snažia nájsť vhodnú transformáciu medzi príznakmi z trénovacej fáze a aktuálne spracovanými. Tento prístup sa označuje za mapovanie príznakov. Je možné transformovať aj celé modely hovoriacich tak, aby zodpovedali aktuálnemu rozloženiu dát. Toto sa označuje ako syntéza modelov hovoriacich. Posledne spomenuté metódy pracujú na základe aktuálnych dát preto je možná ich adaptácia v čase pri zmene prostredia. To si však vyžaduje podstatne zložitejšie algoritmy spracovania signálov.
Menej sofistikovanejšia metóda, ktorá ale dosahuje dobré výsledky je mať dáta/modely pre rôzne typy prostredí. Potom po správnej detekcií najbližšieho prostredia použiť práve tieto dáta alebo modely, čím sa dosiahne najmenší rozdiel medzi trénovacími a testovacími podmienkami, čo vedie k minimalizácií chybovosti.
Pre získanie ucelenejšieho a podrobnejšieho prehľadu o technológiách a metódach použitých pre oblasť rozpoznávania rečníka viď napr. [2].