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“Audrey”，它可以識別數(shù)字0～9的發(fā)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(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(shù)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(nèi)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(tài)規(guī)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(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)的基礎模型。

八十年代中期，IBM創(chuàng)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(tǒng)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(fā)布的語音識別系統(tǒng)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(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(fā)出世界上第一個“非特定人連續(xù)語音識別系統(tǒng)”。

1988年，卡耐基梅隆大學結合矢量量化技術（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。