自动语音识别（Automatic Speech Recognition，简称 ASR）由美国贝尔实验室（Bell Laboratories）于 1952 年通过研制「Audrey」系统首次提出，相关奠基性成果发表于《美国声学学会会刊》的论文 Automatic Recognition of Spoken Digits。

1975 年，卡耐基梅隆大学（CMU）学者 James K. Baker 发表博士论文 Stochastic Modeling as a Means of Automatic Speech Recognition，首次引入隐马尔可夫模型（HMM），奠定了大词汇量连续语音识别的概率统计学范式。

2012 年 11 月，多伦多大学、微软、谷歌与 IBM 的研究人员联合发表里程碑论文 Deep Neural Networks for Acoustic Modeling in Speech Recognition，正式确立了基于深度神经网络（DNN）的现代 ASR 技术范式，改论文发表于《IEEE Signal Processing Magazine》。

该技术是一种将人类口语转换为书面文本的框架，旨在解决机器在面对人类自然对话时，因无法解析声学信号而导致的「交互鸿沟」问题。系统通过处理包含人类语音的音频信号，综合运用声学模型（Acoustic Models）、语言模型（Language Models）以及深度神经网络，精准识别音频输入中的音素、单词与句子，进而转录为规范的文本格式。研究成果表明，从传统 HMM 概率建模到现代 DNN-HMM 及端到端架构的演进，有效打破了早期模板匹配与高斯混合模型（GMM）的性能瓶颈，显著增强了系统对复杂口音与环境噪声的解析能力；在语音助手、转录服务、声控系统及听障无障碍辅助等场景中，使机器以极高的准确率实现了语音到文本的高效转换。