1952年，貝爾實驗室（Bell Labs）制造一臺6英尺高自動數(shù)字識別機(jī)“Audrey”，它可以識別數(shù)字0～9的發(fā)音，且準(zhǔn)確度高達(dá)90％以上。并且它對熟人的精準(zhǔn)度高，而對陌生人則偏低。
1956年，普林斯頓大學(xué)RCA實驗室開發(fā)了單音節(jié)詞識別系統(tǒng)，能夠識別特定人的十個單音節(jié)詞中所包含的不同音節(jié)。
1959年，MIT的林肯實驗室開發(fā)了針對十個元音的非特定人語音識別系統(tǒng)。
二十世紀(jì)六十年代初，東京無線電實驗室、京都大學(xué)和NEC實驗室在語音識別領(lǐng)域取得了開拓性的進(jìn)展，各自先后制作了能夠進(jìn)行語音識別的專用硬件。
1964年的世界博覽會上，IBM向世人展示了數(shù)字語音識別的“shoe box recognizer”。
二十世紀(jì)七十年代，語音識別的研究取得了突破性的進(jìn)展，研究重心仍然是孤立詞語語音識別。
1971年，美國國防部研究所（Darpa）贊助了五年期限的語音理解研究項目，希望將識別的單詞量提升到1000以上。參與該項目的公司和學(xué)術(shù)機(jī)構(gòu)包括IBM、卡內(nèi)基梅隆大學(xué)（CMU）、斯坦福研究院。就這樣，Harpy在CMU誕生了。不像之前的識別器，Harpy可以識別整句話。
二十世紀(jì)八十年代，NEC提出了二階動態(tài)規(guī)劃算法，Bell實驗室提出了分層構(gòu)造算法，以及幀同步分層構(gòu)造算法等。同時，連接詞和大詞匯量連續(xù)語音的識別得到了較大發(fā)展，統(tǒng)計模型逐步取代模板匹配的方法，隱馬爾科夫模型（HMM）成為語音識別系統(tǒng)的基礎(chǔ)模型。
八十年代中期，IBM創(chuàng)造了一個語音控制的打字機(jī)—Tangora，能夠處理大約20000單詞。IBM的研究就是基于隱形馬爾科夫鏈模型（hidden Markov model），在信號處理技術(shù)中加入統(tǒng)計信息。這種方法使得在給定音素情況下，很有可能預(yù)測下一個因素。
1984年，IBM發(fā)布的語音識別系統(tǒng)在5000個詞匯量級上達(dá)到了95％的識別率。
1985年AT＆T貝爾實驗室建造了第一個智能麥克風(fēng)系統(tǒng)，用來研究大室內(nèi)空間的聲源位置追蹤問題。
1987年開始，國家開始執(zhí)行963計劃后，國家863智能計算機(jī)主題專家組為語音識別研究立項，每兩年一次。
1987年12月，李開復(fù)開發(fā)出世界上第一個“非特定人連續(xù)語音識別系統(tǒng)”。
1988年，卡耐基梅隆大學(xué)結(jié)合矢量量化技術(shù)（VQ），用VQ／HMM方法開發(fā)了世界上第一個非特定人大詞匯量連續(xù)語音識別系統(tǒng)SPHINX，能夠識別包括997個詞匯的4200個連續(xù)語句。
同年，清華大學(xué)和中科院聲學(xué)所在大詞庫漢語聽寫機(jī)的研制上取得了突破性進(jìn)展。
1990年，聲龍發(fā)布了第一款消費(fèi)級語音識別產(chǎn)品Dragon Dictate，價格高達(dá)9000美元。
1992年，IBM引入了它的第一個聽寫系統(tǒng)，稱為“IBM Speech Server Series （ISSS）”。
1992年研發(fā)的Sphinx－II在同年美國國防部先進(jìn)技術(shù)研究計劃署（DARPA）資助的語音基準(zhǔn)評測中獲得了最高的識別準(zhǔn)確度，這主要得益于其在高斯混合和馬爾可夫狀態(tài)層次上用栓連參數(shù)平衡了可訓(xùn)練性和高效性。
1995年，Windows 95上首次搭載微軟SAPI，它使應(yīng)用程序開發(fā)者能夠在Windows上創(chuàng)建語音程序。
1995年，AT＆T研究院的 Dave Ladd， Chris Ramming， Ken Rehor 以及 Curt Tuckey 在頭腦風(fēng)暴關(guān)于互聯(lián)網(wǎng)會如何改變電話應(yīng)用的時候，產(chǎn)生了一些新的想法：為什么不設(shè)計這樣一個系統(tǒng)來運(yùn)行一種可以解析某種語音標(biāo)記語言的語音瀏覽器，用來把互聯(lián)網(wǎng)的內(nèi)容和服務(wù)提供到千家萬戶的電話上。于是，AT＆T就開始“電話網(wǎng)絡(luò)項目”（Phone Web Project）。之后，Chris繼續(xù)留在AT＆T，Ken去了朗訊，Dave和Curt去了摩托羅拉。（1999年初的時候，他們分別在各自的公司邁出了語音標(biāo)記語言規(guī)范實質(zhì)性的第一步。因為他們的密友關(guān)系，這幾家公司合作成立了一個VoiceXML論壇組織，IBM也作為一個創(chuàng)始公司加入了進(jìn)來。）
1997年IBM ViaVoice首個語音聽寫產(chǎn)品問世，你只要對著話筒喊出要輸入的字符，它就會自動判斷并且?guī)湍爿斎胛淖?。次年又開發(fā)出可以識別上海話、廣東話和四川話等地方口音的語音識別系統(tǒng)ViaVoice’ 98。
1998年，微軟在北京成立亞洲研究院，將漢語語音識別納入重點(diǎn)研究方向之一。
2001年，比爾蓋茨在美國消費(fèi)電子展上展示了一臺代號為MiPad的原型機(jī)。Mipad展現(xiàn)了語音多模態(tài)移動設(shè)備的愿景。
2002年，中科院自動化所及其所屬模式科技公司推出了“天語”中文語音系列產(chǎn)品——Pattek ASR，結(jié)束了該領(lǐng)域一直被國外公司壟斷的局面。
2002年，美國國防部先進(jìn)技術(shù)研究計劃署（DARPA）首先啟動了EARS項目和TIDES 項目； 由于EARS項目過于敏感，EARS和TIDES兩個項目合并為“全球自主語言開發(fā)”（Global Autonomous Language Exploitation，GALE）。GALE目標(biāo)是應(yīng)用計算機(jī)軟件技術(shù)對海量規(guī)模的多語言語音和文本進(jìn)行獲取、轉(zhuǎn)化、分析和翻譯。
2006年，辛頓（Hinton）提出深度置信網(wǎng)絡(luò)（DBN），促使了深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）研究的復(fù)蘇，掀起了深度學(xué)習(xí)的熱潮。
2009年，辛頓以及他的學(xué)生默罕默德（D． Mohamed）將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音的聲學(xué)建模，在小詞匯量連續(xù)語音識別數(shù)據(jù)庫TIMIT上獲得成功。
2009年微軟Win7集成語音功能。
2010年Google Vioce Action支持語音操作與搜索。
2011年初，微軟的DNN模型在語音搜索任務(wù)上獲得成功。
同年科大訊飛將DNN 首次成功應(yīng)用到中文語音識別領(lǐng)域，并通過語音云平臺提供給廣大開發(fā)者使用。
2011年10月，蘋果iPhone 4S發(fā)布，個人手機(jī)助理Siri誕生，人機(jī)交互翻開新篇章。
2012年，科大訊飛在語音合成領(lǐng)域首創(chuàng)RBM技術(shù)。
2012年，谷歌的智能語音助手Google Now 的形式出現(xiàn)在眾人面前，用在安卓 4．1 和 Nexus 手機(jī)上。
2013年，Google發(fā)布Google Glass，蘋果也加大了對iWatch的研發(fā)投入，穿戴式語音交互設(shè)備成為新熱點(diǎn)。
同年，科大訊飛在語種識別領(lǐng)域首創(chuàng)BN－ivec技術(shù)。
2014 年，思必馳推出首個可實時轉(zhuǎn)錄的語音輸入板。
2014年11月，亞馬遜智能音箱Echo發(fā)布。
2015 年，思必馳推出首個可智能打斷糾正的語音技術(shù)。
2016年，Google Assistant伴隨Google Home 正式亮相，搶奪亞馬遜智能音箱市場。（亞馬遜Echo在2016年的智能音箱市場占有率達(dá)到了巔峰的88％）
同年，科大訊飛上線DFCNN（深度全序列卷積神經(jīng)網(wǎng)絡(luò)，Deep Fully Convolutional Neural Network）語音識別系統(tǒng)。
同年11月，科大訊飛、搜狗、百度先后召開發(fā)布會，對外公布語音識別準(zhǔn)確率均達(dá)到“97％”。
2017年3月，IBM結(jié)合了 LSTM 模型和帶有 3 個強(qiáng)聲學(xué)模型的 WaveNet 語言模型。“集中擴(kuò)展深度學(xué)習(xí)應(yīng)用技術(shù)終于取得了 5．5％ 詞錯率的突破”。相對應(yīng)的是去年5月的6．9％。
2017年8月，微軟發(fā)布新的里程碑，通過改進(jìn)微軟語音識別系統(tǒng)中基于神經(jīng)網(wǎng)絡(luò)的聽覺和語言模型，在去年基礎(chǔ)上降低了大約12％的出錯率，詞錯率為5．1％，聲稱超過專業(yè)速記員。相對應(yīng)的是去年10月的5．9％，聲稱超過人類。
2017年12月，谷歌發(fā)布全新端到端語音識別系統(tǒng)（State－of－the－art Speech Recognition With Sequence－to－Sequence Models），詞錯率降低至5．6％。相對于強(qiáng)大的傳統(tǒng)系統(tǒng)有 16％ 的性能提升。
市場分析公司Canalys在2018年1月分布一份報告，其預(yù)測2018年將是普及智能音箱的“決定性一年”，相比全年出貨量剛過3000萬臺的2017年，2018年智能音箱全球出貨量預(yù)計將達(dá)到5630萬臺。
中投顧問發(fā)布的《2018－2022年中國智能語音行業(yè)深度調(diào)研及投資前景預(yù)測報告》顯示我國智能語音市場整體處于啟動期，智能車載，智能家居，智能可穿戴等垂直領(lǐng)域處于爆發(fā)前夜。
文章引用
?。?］ 李曉雪． 基于麥克風(fēng)陣列的語音增強(qiáng)與識別研究［D］． 浙江大學(xué)， 2010．
?。?］ 倪崇嘉， 劉文舉， 徐波． 漢語大詞匯量連續(xù)語音識別系統(tǒng)研究進(jìn)展［J］． 中文信息學(xué)報， 2009， 23（1）：112－123．
?。?］ 高朝煌． 非特定人漢語連續(xù)數(shù)字語音識別系統(tǒng)的研究與實現(xiàn)［D］． 西安電子科技大學(xué)， 2011．
?。?］ 《2017年的語音識別，路只走了一半》
［5］ 《2018－2022年國內(nèi)外智能語音發(fā)展的分析》
?。?］ 《四十年的難題與榮耀—從歷史視角看語音識別發(fā)展》
?。?］ 《幾個常見的語音交互平臺的簡介和比較》
?。?］ 《VoiceXML簡介》
?。?］ 《思必馳官方介紹資料》