La reconnaissance vocale automatique (ASR) a été proposée pour la première fois par les laboratoires Bell en 1952 grâce au développement du système « Audrey », et les résultats fondamentaux ont été publiés dans un article des Actes de la Société acoustique d'Amérique. Reconnaissance automatique des chiffres prononcés.

En 1975, James K. Baker, chercheur à l'Université Carnegie Mellon (CMU), a publié sa thèse de doctorat. Modélisation stochastique comme moyen de reconnaissance vocale automatiqueC’était la première fois qu’un modèle de Markov caché (HMM) était introduit, jetant les bases d’un paradigme statistique probabiliste pour la reconnaissance vocale continue à grand vocabulaire.

En novembre 2012, des chercheurs de l'Université de Toronto, de Microsoft, de Google et d'IBM ont publié conjointement un article de référence. Réseaux neuronaux profonds pour la modélisation acoustique en reconnaissance vocaleCet article a formellement établi le paradigme technologique moderne de la reconnaissance automatique de la parole (ASR) basé sur les réseaux neuronaux profonds (DNN) et a été publié dans IEEE Signal Processing Magazine.

Cette technologie est un cadre de conversion du langage parlé humain en texte écrit, visant à combler le fossé d'interaction causé par l'incapacité des machines à interpréter les signaux acoustiques lors de conversations humaines naturelles. Le système traite les signaux audio contenant la parole humaine en utilisant de manière exhaustive des modèles acoustiques, des modèles de langage et des réseaux neuronaux profonds pour identifier avec précision les phonèmes, les mots et les phrases dans l'entrée audio, puis les transcrit en un format de texte standardisé. Les résultats de recherche montrent que l'évolution des modèles probabilistes traditionnels de Markov cachés (MMC) vers les réseaux neuronaux profonds-MMC (RNP-MMC) et les architectures de bout en bout modernes a permis de surmonter les limitations de performance des premières méthodes de correspondance de modèles et des modèles de mélange gaussien (MMG), améliorant considérablement la capacité du système à interpréter les accents complexes et le bruit ambiant. Dans des applications telles que les assistants vocaux, les services de transcription, les systèmes à commande vocale et l'assistance à l'accessibilité pour les personnes malentendantes, les machines réalisent une conversion parole-texte extrêmement précise et efficace.