تم اقتراح التعرف التلقائي على الكلام (ASR) لأول مرة من قبل مختبرات بيل في عام 1952 من خلال تطوير نظام "أودري"، ونُشرت النتائج الأساسية في ورقة بحثية في وقائع الجمعية الصوتية الأمريكية. التعرف التلقائي على الأرقام المنطوقة.

في عام 1975، نشر جيمس ك. بيكر، وهو باحث في جامعة كارنيجي ميلون (CMU)، أطروحته للدكتوراه. النمذجة العشوائية كوسيلة للتعرف التلقائي على الكلامكانت هذه هي المرة الأولى التي يتم فيها تقديم نموذج ماركوف المخفي (HMM)، مما وضع الأساس لنموذج إحصائي احتمالي للتعرف على الكلام المستمر ذي المفردات الكبيرة.

في نوفمبر 2012، نشر باحثون من جامعة تورنتو ومايكروسوفت وجوجل وآي بي إم ورقة بحثية بارزة بشكل مشترك. الشبكات العصبية العميقة للنمذجة الصوتية في التعرف على الكلاموقد أسست هذه الورقة البحثية رسمياً نموذج تكنولوجيا التعرف التلقائي على الكلام الحديث القائم على الشبكات العصبية العميقة (DNNs) ونُشرت في مجلة IEEE لمعالجة الإشارات.

تُعدّ هذه التقنية إطارًا لتحويل اللغة المنطوقة إلى نص مكتوب، بهدف معالجة مشكلة "فجوة التفاعل" الناجمة عن عجز الآلات عن تفسير الإشارات الصوتية عند مواجهة محادثات بشرية طبيعية. يعالج النظام الإشارات الصوتية التي تحتوي على كلام بشري، مستخدمًا نماذج صوتية ولغوية وشبكات عصبية عميقة بشكل شامل لتحديد الأصوات والكلمات والجمل بدقة في المدخلات الصوتية، ثم يحوّلها إلى نص موحد. تُظهر نتائج البحث أن التطور من نماذج ماركوف المخفية التقليدية (HMMs) إلى الشبكات العصبية العميقة الحديثة (DNN-HMMs) والبنى المتكاملة يُسهم بفعالية في تجاوز معوقات الأداء في نماذج مطابقة القوالب ونماذج خليط غاوسي (GMMs)، مما يُحسّن بشكل كبير قدرة النظام على تفسير اللهجات المعقدة والضوضاء المحيطة. في تطبيقات مثل المساعدين الصوتيين، وخدمات النسخ، والأنظمة التي يتم التحكم فيها صوتيًا، ومساعدات الوصول لذوي الإعاقة السمعية، تُحقق الآلات تحويلًا دقيقًا وفعالًا للغاية من الكلام إلى نص.