音声認識とは，音声波に含まれる情報を計算機によって抽出し，判定することで ある．音声認識の処理は，以下のような利点がある．
しかし，その実現は容易ではない．以下に音声認識の難しさとして，4点につい て説明する．音響モデルに関連して，一つは調音結合の効果として，単語や文章 を発声したときの各音素スペクトルが，前後の音素の影響を受けて変化する点で ある．また区分化の難しさとして，音声は草書で書かれた文字列のようなもので， 音素や単語の境界を決定することが難しい．これに関しては，音声の開始 と終了の検出も同様に困難である．三点目として，個人差による変動がある．同 じ言葉でも，話し方や発声器官の違いから人によって音声は異なる．また，同じ 人の音声でも，雑音や伝送歪みなどによって変動する．最後に，言語モデルに関 連して，そのモデルのあいまい性が挙げられる．話し言葉には書き言葉とは違う 多くの文法的ゆらぎがあり，モデル化が非常に難しい．