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。