1952年，貝爾實(shí)驗(yàn)室（Bell Labs）制造一臺6英尺高自動(dòng)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(shí)驗(yàn)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(gè)單音節(jié)詞中所包含的不同音節(jié)。

1959年，MIT的林肯實(shí)驗(yàn)室開發(fā)了針對十個(gè)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(shí)驗(yàn)室、京都大學(xué)和NEC實(shí)驗(yàn)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(huì)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(xiàng)目，希望將識別的單詞量提升到1000以上。參與該項(xiàng)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(dòng)態(tài)規(guī)劃算法，Bell實(shí)驗(yàn)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(shí)，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(jì)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(gè)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(jì)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(gè)因素。

1984年，IBM發(fā)布的語音識別系統(tǒng)在5000個(gè)詞匯量級上達(dá)到了95％的識別率。

1985年AT＆T貝爾實(shí)驗(yàn)室建造了第一個(gè)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(jì)劃后，國家863智能計(jì)算機(jī)主題專家組為語音識別研究立項(xiàng)，每兩年一次。

1987年12月，李開復(fù)開發(fā)出世界上第一個(gè)“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(gè)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(gè)詞匯的4200個(gè)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(jià)格高達(dá)9000美元。

1992年，IBM引入了它的第一個(gè)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(jì)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(huì)如何改變電話應(yīng)用的時(shí)候，產(chǎn)生了一些新的想法：為什么不設(shè)計(jì)這樣一個(gè)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(xiàng)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(shí)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(shí)質(zhì)性的第一步。因?yàn)樗麄兊拿苡殃P(guān)系，這幾家公司合作成立了一個(gè)VoiceXML論壇組織，IBM也作為一個(gè)創(chuàng)始公司加入了進(jìn)來。）

1997年IBM ViaVoice首個(gè)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(huì)自動(dòng)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(dòng)設(shè)備的愿景。

2002年，中科院自動(dòng)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(jì)劃署（DARPA）首先啟動(dòng)了EARS項(xiàng)目和TIDES 項(xiàng)目； 由于EARS項(xiàng)目過于敏感，EARS和TIDES兩個(gè)項(xiàng)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(jì)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(gè)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(gè)可實(shí)時(shí)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(gè)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(huì)，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(gè)強(qiáng)聲學(xué)模型的 WaveNet 語言模型?！凹袛U(kuò)展深度學(xué)習(xí)應(yīng)用技術(shù)終于取得了 5．5％ 詞錯(cuò)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(cuò)率，詞錯(cuò)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(cuò)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(bào)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(jì)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(bào)告》顯示我國智能語音市場整體處于啟動(dòng)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。