人类在利用语音进行信息交流时，说话人的大脑会产生思想，通过语言转换，再经过发生器官发出相应的语音；语音的声波经过空气传播传到听话人的耳朵，通过听觉器官传送到大脑，由此理解该语音所表达的意思。

贝尔研究所Davis等人成功研究出了世界上第一个能识别10个英文数字发音的实验系统：Audry系统。

计算机的应用推动了语音识别技术的发展，其中线性预测分析是进行语音信号分析最有效和最流行的分析技术之一，它较好的解决了语音信号产生模型的问题，对语音识别技术的发展产生了深远影响。

在小词汇量、孤立词的识别方面取得了实质性的进展，并且提出了矢量量化（VQ）和隐马尔可夫模型（HMM）理论。在同一时期，统计方法开始被用来解决语音识别的关键问题，这为接下来的非特定人大词汇量连续语音识别技术走向成熟奠定了重要的基础。

逐渐由孤立词识别转向连接词识别。1987年，IT界知名人物李开复开发出世界上第一个“非特定人连续语音识别系统”，用统计方法提升语音识别率。

大词汇量连续语音识别得到优化。1997年。IBM Viavoice首个语音听写产品问世，你只用对着话筒喊出你要输入的字符，它就会自动判断并且帮你输入文字。

Google Voice Action支持语音操作与搜索，该系统具有说话人自适应能力，新用户不需要对全部词汇进行训练便可在使用中不断提高识别率。

微软的深度神经网络DNN模型在语音搜索任务上获得成功，科大讯飞将DNN首次成功应用到中文语音识别领域，并通过语音云平台提供给广大开发者使用。

苹果iphone 4s 的发布，推出了个人虚拟语音助理Siri，人工交互的革命史翻开了新篇章。

Google发布了Google Glass，苹果也加大了对iwatch的研发投入，穿戴式语音交互设备成为新热点。