سیستم های تشخیص صوت، سیستم های الکترونیکی هستند که به دستگاه های الکترونیکی اجازه می دهند تا در برابر صدا از خود واکنش نشان دهند. این سیستم ها بسیار کاربردی هستند و اهداف زیادی را دنبال می کنند ولی تا به امروز به همه اهدافشان نرسیده اند و از تمامی پتانسیل هایشان استفاده نشده است. سیستم های تشخیص صوت کلمات گفتار و صداهای موجود را به سیگنال هایی ترجمه می کنند که قابلیت پردازش دارند و می توان آن ها را به وظیفه ای مشخص تبدیل نمود. مباحث مطرح در پردازش گفتار و تشخیص صوت عبارتند از بازشناسی گفتار، تبدیل متن به گفتار، بازشناسی گوینده، رمزگذاری گفتار، بهسازی گفتار، بازشناسی زبان، نمایه گذاری اسناد صوتی.
امروزه تعداد زیادی سیستم تشخیص صوت در بازارها وجود دارند. قوی ترین آن ها امکان پردازش و شناسایی هزاران کلمه را دارد. تشخیص صوت در کامپیوتر به معنای توانایی یک سیستم کامپیوتری، برنامه نرم افزاری یا یک سخت افزار در رمز گشایی سیگنال های صوتی به صداهای دیجیتالیست که بتوان آن را توسط کامپیوتر یا سخت افزار تعبیر کرد و مورد پردازش قرار داد. تشخیص صوت معمولی برای انجام یک عملیات در یک دستگاه، انجام دستورات، نوشتن بدون نیاز به کیبورد و موس و انجام فعالیت هایی نظیر آن ها مورد استفاده قرار می گیرد. به طور کلی بیشترین حوزه تشخیص صوت در تشخیص صدای انسان و گفتار است. یک سیستم تشخیص صوت پایه نیاز به ۲۲ مگاهرتز پردازنده، حداقل ۴۶ مگابایت رم، یک میکروفن پایه و یک کارت صدای حداقل ۶۴ بیتی نیاز دارد. افزایش سایز رم، پردازنده و کارت صدا و افزایش توان میکروفن می تواند در افزایش دقت و کارایی سیستم های تشخیص صوت کمک شایانی نماید. علاوه بر این حداقل نیازمندی های سخت افزاری، سیستم های تشخیص صوت نیاز به نرم افزار دارند تا بتواند داده ها را جمع آوری، تحلیل و تفسیر نمایند. نرم افزارهای متفاوت از روش های متفاوتی به این اهداف نائل می آیند. مدل های وابسته به صوت و زبان دارای مدل پردازش پایه هستند که در آن ها صدا از میکروفن گرفته می شود و توسط کامپیوتر پردازش می شوند. در مدل های صوتی صدا آنالیز و تحلیل می شوند و بعد از آن که کاربر در میکروفن صحبت می کند، صدای مورد نظر توسط میکروفن گرفته می شود و نویزها و صداهای اضافی موجود در پس زمینه صدا که روی حجم صدا و کیفیت آن تاثیر گذارند، حذف می شوند. از توابع ریاضی برای دریافت صدا و تبدیل آن به رنج و فرکانس مورد نیاز استفاده می شود. سپس داده های بدست آمده تحلیل می شوند و تبدیل به نمایش های دیجیتالی در می آیند.
مدل های زبانی محتوای صدا را مورد بررسی قرار می دهند. از این مدل بیشتر با اهداف تشخیص گفتار استفاده می شود. این مدل به مقایسه بین صدای دریافتی و لغت های موجود در دایره المعارف می پردازد که بزرگترین و رایج ترین پایگاه داده ی لغات موجود در زبان انگلیسی اند. اگر چه مدل های صدایی و زبانی مدل های پایه سیستم های تشخیص صوتی اند اما ممکن است هر سیستم مدل خاص خودش را داشته باشد و نحوه طراحی نرم افزار وابسته به دیدگاه برنامه نویس آن دارد که از چه تکنیک هایی در طراحی سیستم استفاده نماید.
تاریخچه ی توسعه سیستم های تشخیص صوت:
پیشرفت تکنولوژی تشخیص صوت در ۵ دهه ی گذشته را می توان به شرح زیر سازمان دهی کرد:
نسل اول: اولین تلاش در سال های ۱۹۵۰ و ۱۹۶۰
نسل دوم : فن آوری مبتنی بر قالب در اواخر ۱۹۶۰ و ۱۹۷۰
نسل سوم: فن آوری های مبتنی بر مدل های آماری در ۱۹۸۰
آخرین نسل سوم: پیشرفت در ۱۹۹۰ و ۲۰۰۰