その程度の状況は想定済みでしょう。
サーバに蓄積された近傍時間のFingerprintと最初に何個か自力で発行したFingerprintとを照合して音声解析をして、複数の音が混じっている場合には優先度を付けて一番優先度が高いと判断した音声についてFingerprintを発行して、それでも優先度の高い音声がわからなければ新規の音声としてFingerprintを発行する。
で、その手のFingerprintは「使えない」カテゴリーのFingerprint群のタグをつけておく…
って感じでしょうね。特許公報は見ていないからいー加減な事かいていますが、ジャミング対策は確実に行っているでしょう。

# とはいえ、多数の人が極端なジャミング環境に置かれたときに、システムが本当に発狂しないかどうかは見物ですが:D