1952年，貝爾實驗室（Bell Labs）制造一臺6英尺高自動數字識別機“Audrey”，它可以識別數字0～9的發音，且準確度高達90％以上。并且它對熟人的精準度高，而對陌生人則偏低。

1956年，普林斯頓大學RCA實驗室開發了單音節詞識別系統，能夠識別特定人的十個單音節詞中所包含的不同音節。

1959年，MIT的林肯實驗室開發了針對十個元音的非特定人語音識別系統。

二十世紀六十年代初，東京無線電實驗室、京都大學和NEC實驗室在語音識別領域取得了開拓性的進展，各自先后制作了能夠進行語音識別的專用硬件。

1964年的世界博覽會上，IBM向世人展示了數字語音識別的“shoe box recognizer”。

二十世紀七十年代，語音識別的研究取得了突破性的進展，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術機構包括IBM、卡內基梅隆大學（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。

二十世紀八十年代，NEC提出了二階動態規劃算法，Bell實驗室提出了分層構造算法，以及幀同步分層構造算法等。同時，連接詞和大詞匯量連續語音的識別得到了較大發展，統計模型逐步取代模板匹配的方法，隱馬爾科夫模型（HMM）成為語音識別系統的基礎模型。

八十年代中期，IBM創造了一個語音控制的打字機—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），在信號處理技術中加入統計信息。這種方法使得在給定音素情況下，很有可能預測下一個因素。

1984年，IBM發布的語音識別系統在5000個詞匯量級上達到了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系統，用來研究大室內空間的聲源位置追蹤問題。

1987年開始，國家開始執行963計劃后，國家863智能計算機主題專家組為語音識別研究立項，每兩年一次。

1987年12月，李開復開發出世界上第一個“非特定人連續語音識別系統”。

1988年，卡耐基梅隆大學結合矢量量化技術（VQ），用VQ／HMM方法開發了世界上第一個非特定人大詞匯量連續語音識別系統SPHINX，能夠識別包括997個詞匯的4200個連續語句。

同年，清華大學和中科院聲學所在大詞庫漢語聽寫機的研制上取得了突破性進展。

1990年，聲龍發布了第一款消費級語音識別產品Dragon Dictate，價格高達9000美元。

1992年，IBM引入了它的第一個聽寫系統，稱為“IBM Speech Server Series （ISSS）”。

1992年研發的Sphinx－II在同年美國國防部先進技術研究計劃署（DARPA）資助的語音基準評測中獲得了最高的識別準確度，這主要得益于其在高斯混合和馬爾可夫狀態層次上用栓連參數平衡了可訓練性和高效性。

1995年，Windows 95上首次搭載微軟SAPI，它使應用程序開發者能夠在Windows上創建語音程序。

1995年，AT＆T研究院的 Dave Ladd， Chris Ramming， Ken Rehor 以及 Curt Tuckey 在頭腦風暴關于互聯網會如何改變電話應用的時候，產生了一些新的想法：為什么不設計這樣一個系統來運行一種可以解析某種語音標記語言的語音瀏覽器，用來把互聯網的內容和服務提供到千家萬戶的電話上。于是，AT＆T就開始“電話網絡項目”（Phone Web Project）。之后，Chris繼續留在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記語言規范實質性的第一步。因為他們的密友關系，這幾家公司合作成立了一個VoiceXML論壇組織，IBM也作為一個創始公司加入了進來。）

1997年IBM ViaVoice首個語音聽寫產品問世，你只要對著話筒喊出要輸入的字符，它就會自動判斷并且幫你輸入文字。次年又開發出可以識別上海話、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研究方向之一。

2001年，比爾蓋茨在美國消費電子展上展示了一臺代號為MiPad的原型機。Mipad展現了語音多模態移動設備的愿景。

2002年，中科院自動化所及其所屬模式科技公司推出了“天語”中文語音系列產品——Pattek ASR，結束了該領域一直被國外公司壟斷的局面。

2002年，美國國防部先進技術研究計劃署（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”（Global Autonomous Language Exploitation，GALE）。GALE目標是應用計算機軟件技術對海量規模的多語言語音和文本進行獲取、轉化、分析和翻譯。

2006年，辛頓（Hinton）提出深度置信網絡（DBN），促使了深度神經網絡（Deep Neural Network，DNN）研究的復蘇，掀起了深度學習的熱潮。

2009年，辛頓以及他的學生默罕默德（D． Mohamed）將深度神經網絡應用于語音的聲學建模，在小詞匯量連續語音識別數據庫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上獲得成功。

同年科大訊飛將DNN 首次成功應用到中文語音識別領域，并通過語音云平臺提供給廣大開發者使用。

2011年10月，蘋果iPhone 4S發布，個人手機助理Siri誕生，人機交互翻開新篇章。

2012年，科大訊飛在語音合成領域首創RBM技術。

2012年，谷歌的智能語音助手Google Now 的形式出現在眾人面前，用在安卓 4．1 和 Nexus 手機上。

2013年，Google發布Google Glass，蘋果也加大了對iWatch的研發投入，穿戴式語音交互設備成為新熱點。

同年，科大訊飛在語種識別領域首創BN－ivec技術。

2014 年，思必馳推出首個可實時轉錄的語音輸入板。

2014年11月，亞馬遜智能音箱Echo發布。

2015 年，思必馳推出首個可智能打斷糾正的語音技術。

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到了巔峰的88％）

同年，科大訊飛上線DFCNN（深度全序列卷積神經網絡，Deep Fully Convolutional Neural Network）語音識別系統。

同年11月，科大訊飛、搜狗、百度先后召開發布會，對外公布語音識別準確率均達到“97％”。

2017年3月，IBM結合了 LSTM 模型和帶有 3 個強聲學模型的 WaveNet 語言模型。“集中擴展深度學習應用技術終于取得了 5．5％ 詞錯率的突破”。相對應的是去年5月的6．9％。

2017年8月，微軟發布新的里程碑，通過改進微軟語音識別系統中基于神經網絡的聽覺和語言模型，在去年基礎上降低了大約12％的出錯率，詞錯率為5．1％，聲稱超過專業速記員。相對應的是去年10月的5．9％，聲稱超過人類。

2017年12月，谷歌發布全新端到端語音識別系統（State－of－the－art Speech Recognition With Sequence－to－Sequence Models），詞錯率降低至5．6％。相對于強大的傳統系統有 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計將達到5630萬臺。

中投顧問發布的《2018－2022年中國智能語音行業深度調研及投資前景預測報告》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域處于爆發前夜。