語音識別技術與其自然語言處理技術相結合，可以構建出更加復雜的應用。例如與機器翻譯、語音合成技術等相結合，可以實現語音到語音的翻譯等應用。

在語音識別的研究發展過程中，相關研究人員根據不同語言的發音特點，設計和制作了漢語、英語等各類語言的語音數據庫。這些語音數據庫可以為國內外有關的科研單位提供漢語連續語音識別算法研究和系統設計，也可以為產業化工作提供充分、科學的訓練語音樣本。

目前在大詞匯語音識別方面處于領先地位的IBM語音研究小組，他們從20世紀70年代開始進行這些研究;同時AT&A的貝爾研究所歷經1 0年研究有關非特定人語音識別的實驗，確立了如何制作用于非特定人語音識別的標準模板的方法。在這一時期所取得的重大進展有以下幾點。

① 隱馬爾柯夫模型（ HMM）技術的成熟和不斷完善成為語音識別的主流方法。從Baum提出相關數學推理，經過Labiner等人研究，到卡內基一梅隆大學的李開復實現第—個基于隱馬爾柯夫模型的大詞匯量語音識別系統Sphinx，之后的語音識別技術都和HMM技術掛鉤。

② 以知識為基礎的語音識別的研究越來越受到重視。在連續語音識別時，除了能識別聲學信息外，還能利用各種語言知識，諸如構詞、語義、句法、對話背景方面的知識進一步對語音作出識別和理解。

③ 人工神經網絡在語音識別中的應用研究興起。人工神經網絡大多采用基于反向傳播法（BP算法）的多層感知網絡，具有區分復雜的分類邊界的能力，能夠幫助模式劃分。由于其有著廣泛的應用前景，因此成為了語音識別應用的一個熱點。

（1） 機器對語音的識別和理解：要對自然語音進行識別和理解，首先必須將連續的講話分解為詞、音素等單位，然后還要建立一個理解語義的規則。

（2） 對信息量大的語音識別困難：語音模式不僅對不同的說話人不同，對同一說話人也是不同的，例如一個說話人在隨意說話和認真說話時的語音信息是不同的;且同一個人的說話方式隨著時間變化，各地方言之間也不一樣，這在客觀上對語音識別造成了一定的 阻礙。

（3） 對模糊性的語音識別困難：同音詞為語音識別帶來困擾，，就好比說話者在講話時，不同的詞可能聽起來是相似的。

（4） 語音特性受上下文影響：單個字母或詞、字的語音特性受上下文的影響，單詞在不同的語境中呈現不同的重音、音調、音量和發音速度，表達的意思也不同，會使語音辨識受到干擾。

（5） 噪聲、干擾的影響：環境的噪聲和干擾對語音識別也有十分嚴重的影響，使語音識別率降低。