การรู้จำเสียงที่แข็งแกร่งสามารถตรวจจับการพูดได้อย่างเพียงพอภายใต้สภาพแวดล้อมที่ไม่เอื้ออำนวยเช่นในสภาพแวดล้อมที่มีเสียงดังหรือในการบันทึกเสียง สิ่งนี้สามารถมีแอปพลิเคชันที่สำคัญในหลาย ๆ ด้านเช่นการบังคับใช้กฎหมายหรือการออกแบบเครื่องช่วยฟังเป็นต้น การวิจัยและพัฒนาในหัวข้อนี้เกิดขึ้นที่สถาบันการศึกษา บริษัท เอกชนและองค์กรการกุศลที่มีความสนใจในสาขานี้ทั่วทุกมุมโลก อาชีพในสาขานี้เปิดรับผู้คนเช่นวิศวกรเสียงโปรแกรมเมอร์คอมพิวเตอร์และนักโสตสัมผัสวิทยา
การรู้จำเสียงทั่วไปไม่ได้รับการออกแบบมาสำหรับสภาพแวดล้อมในอุดมคติ อัลกอริธึมสามารถรู้จำเสียงพูดหากเกิดขึ้นในสภาพแวดล้อมที่เงียบสงบโดยไม่มีเสียงรบกวนจากพื้นหลังเพียงเล็กน้อยและไม่มีเสียงรบกวนจากลำโพง โปรแกรมดังกล่าวสามารถต่อสู้ด้วยสำเนียงที่พวกเขาไม่ได้เรียนรู้และพวกเขาก็มีแนวโน้มที่จะพังทลายลงในสภาพแวดล้อมที่มีเสียงรบกวนพื้นหลังมากมาย โลกมักมีเสียงดังและอุปกรณ์ดังกล่าวสามารถถูก จำกัด การใช้งานในการตั้งค่าบางอย่างโดยไม่มีการรู้จำเสียงพูดที่มีประสิทธิภาพ
ยกตัวอย่างเช่นในการเขียนตามคำบอกเสียงระบบส่วนใหญ่พึ่งพาไมโครโฟนที่สวมอยู่ใกล้กับปากเพื่อให้เสียงของลำโพงอยู่เหนือเพื่อให้โปรแกรมสามารถประมวลผลคำพูดได้อย่างถูกต้อง การรู้จำเสียงพูดที่ใช้ในแอปพลิเคชันเช่นการฟังทางไกลสำหรับการบังคับใช้กฎหมายการออกแบบเครื่องช่วยฟังและการคืนค่าการบันทึกทางประวัติศาสตร์อาจมีปัญหากับเสียงพื้นหลัง การรู้จำเสียงที่มีประสิทธิภาพนั้นเกี่ยวข้องกับการพัฒนาอัลกอริทึมที่สามารถประมวลผลและกำจัดเสียงรบกวนนี้ออกไปได้
สิ่งนี้ต้องการความสามารถในการคำนวณที่ซับซ้อน สภาพแวดล้อมที่มีเสียงดังอาจมีความหลากหลายของเสียงทำให้ยากที่จะสร้างตัวกรองผ่านที่จะตัดเสียงรบกวน ตัวกรองอาจไม่ได้ยินเสียงทั้งหมดและอาจรบกวนการพูดได้เช่นกัน ในการรู้จำเสียงพูดที่มีประสิทธิภาพโปรแกรมเมอร์ทำงานเพื่อพัฒนาโปรแกรมที่สามารถระบุคำพูดและแยกเสียงออกจากแทร็กเสียงอื่น ๆ เมื่อแยกออกแล้วมันอาจถูกส่งผ่านอีกครั้งเพื่อล้างสัญญาณอนุญาตให้โปรแกรมรันอัลกอริทึมการรู้จำเสียงปกติเพื่อกำหนดสิ่งที่ถูกพูด
การรู้จำเสียงแม่นยำอาจมีความสำคัญสำหรับเมนูอัตโนมัติการเขียนตามคำบอกและแอปพลิเคชันตามเวลาจริงอื่น ๆ การพัฒนาการรู้จำเสียงพูดที่แข็งแกร่งยังสามารถช่วยในการสร้างเครื่องช่วยฟังและซอฟต์แวร์ที่ช่วยระบุเสียงของมนุษย์ด้วยเสียงอื่น ๆ และส่งต่อสิ่งเหล่านี้ไปยังผู้ฟัง สิ่งนี้ทำให้การรู้จำเสียงมีประโยชน์มากขึ้นในสภาพแวดล้อมเช่นปาร์ตี้ที่แออัดและเหตุการณ์ที่อาจมีหลายเสียงแข่งขันกันอาจทำให้เสียงของผู้ฟังที่ต้องพึ่งพาการรู้จำเสียงพูด
