A beszédhangok által kiváltott EN-t vizsgáló kutatások alapvető eredménye, hogy a fonetikai kontrasztok akkor váltják ki az EN-t, ha a hangok közötti különbség észlelhető. A feldolgozást erőteljesen befolyásolja a beszédhangok hosszú távú reprezentációjának (fonémareprezentációk) megléte. Hosszú távú reprezentációk létezhetnek az anyanyelvi beszédhangokra és azokra az idegen nyelvi beszédhangokra, amelyeket a hallgató ismer. Ez azt jelenti, hogy a beszédhangok feldolgozása esetén a bejövő deviáns ingereket nem egyszerűen a standard ingerek kialakuló szenzoros emlékezeti nyomával hasonlítjuk össze, hanem a hosszú távú fonémareprezentációkkal is. Egy finn és magyar résztvevőket összehasonlító tanulmányban Winkler és munkatársai (1999) olyan beszédhangpárokat mutattak be a résztvevőknek, amelyek a magyar nyelvben beszédhang-kategórián belüli kontrasztok voltak, míg a finn nyelvben kategóriák közötti kontrasztok, egy másik beszédhangpár esetén pedig fordítva. Az EKP-eredmények szerint az EN minden esetben megjelent, de mindkét csoport esetében nagyobb volt a kategóriák közötti, mint a kategórián belüli kontrasztoknál. A nyelvspecifikus kategóriák közötti különbség esetében megjelenő nagyobb EN úgy értelmezhető, hogy a feldolgozórendszer nemcsak a beszédhangok közötti fizikai különbségeket veszi figyelembe, hanem azokat a fonetikai kategória alapú reprezentációkat is, amelyek a hosszú távú fonémareprezentációkon alapulnak.

Meghatározó cikkükben Näätänen és munkatársai (1997) a fonémareprezentációkat egy másik nyelvközi összehasonlító EN-tanulmányban vizsgálták alaposabban. A szerzők MEG (magnetoencephalogram) segítségével prototipikus beszédhangok feldolgozását tanulmányozták finn és észt nyelven. A magánhangzókat úgy választották ki, hogy az észtben az egyik magánhangzó prototipikus volt, a finnben viszont nem. Az EN komponens mindegyik feltételben megjelent, de kisebb volt a nem prototipikus magánhangzónál. Ezenkívül az EN kérgi forrásainak elemzése fokozott bal hallókérgi aktivitást mutatott ki a prototipikus magánhangzónál, ami nem volt jelen a nem prototipikus magánhangzónál. Az eredmények a beszéd EN kettős természetére utalnak: az EN szimmetrikus komponensként jelent meg mindkét agyféltekén, amikor standard és deviáns beszédhangok közötti akusztikai különbségek feldolgozása történt, de aszimmetrikus komponensként jelent meg, bal féltekei lateralizációval, amikor hosszú távú fonémareprezentációkhoz való hozzáférés történt.

Näätänen (2001) a következő modellt javasolta a beszédhangokkal kapcsolatos EN-eredmények magyarázatára: a hosszú távú fonémareprezentációk vagy fonémanyomok felismerési sablonként működnek a beszédhangok észlelése során, és amikor anyanyelvi beszédhangokat észlelünk, azok aktiválják a fonémanyomokat. A fonémanyomok az anyanyelvi beszédhangok kategóriáinak absztrakt reprezentációi. A csecsemőkori beszédelsajátítás során gyorsan fejlődnek, és már 6–12 hónapos korban jelen vannak (Cheour et al. 1998).

A klasszikus passzív kakukktojás paradigmán kívül az EN az úgynevezett többjellemzős (multi-feature) paradigmában is kiváltható (Näätänen et al. 2004). A többjellemzős paradigmában többféle akusztikus változást mutatnak be úgy, hogy minden második inger standard, minden azt követő inger pedig a különböző deviánsok egyike (2. ábra).

Számos tanulmány alkalmazta a többjellemzős paradigmát a beszédhangok által kiváltott EN vizsgálatára. Pakarinen et al. (2009) és Sorokin et al. (2010) a mássalhangzó-magánhangzó szótagok feldolgozását vizsgálta passzív kakukktojás és többjellemzős paradigmában. Azt találták, hogy mind az öt alkalmazott változás (f0, intenzitás, magánhangzó-időtartam, magánhangzó-változás, mássalhangzó-változás az első, valamint magánhangzó, magánhangzó-időtartam, mássalhangzó-változás, valamint a szótagintenzitás és az f0 változása a második vizsgálatban) hasonló EN-eket váltott ki mindkét paradigmában. Pakarinen és munkatársai (2013) azt találták, hogy az EN amplitúdója és latenciája követte az eltérés mértékét a magánhangzók több akusztikai és fonetikai jellemzőjének esetében: minél nagyobb volt a standardtól való eltérés, annál nagyobb volt az EN amplitúdója és annál korábban érte el az EN a csúcsamplitúdót. Kuuluvainen és munkatársai (2014) kimutatták, hogy az ENm (az EN mágneses megfelelője) CV szótagok esetében nagyobb amplitúdóval jelent meg a beszéd ingerek jellemzőinek megváltozására, mint ugyanezen jellemzők változására nembeszéd-ingerek esetében. Ezek az eredmények további bizonyítékkal szolgának azzal kapcsolatban, hogy a beszédfeldolgozás során a beszédingerek aktiválják a hosszú távú fonémanyomokat. Partanen és munkatársai (2011) azt találták, hogy az EN-t akusztikus (f0, intenzitás) és fonetikai (magánhangzó időtartama, magánhangzó típusa) változások nemcsak CV szótagok esetében, de egy hosszabb, három szótagból álló álszó esetében is kiváltották. Mindezen vizsgálatok eredményei alátámasztják a többjellemzős paradigma hatékonyságát a beszédhang-feldolgozás idegrendszeri hátterének vizsgálatára.