語音辨識是將語音即時的轉換成文字，而這音源是源自麥克風或是其它的音訊來源，將其音訊傳送到伺服器運算處理或是本地運算辨識。而當將音訊傳送到伺服器時，可得到回傳的辨識結果，例如文字或是解析音訊的意圖；例如“台北市的天氣“等等。而當應用程式回應使用者時，此時需要將文字轉換成語音。

在將語音串流進入辨識前，需要做雜音抑制處理，如果這部分沒有處理好，會降低系統的辨識率；例如在安靜的環境下，辨識率是很高的，而在雜音較多的地方，是不是也能確實做到語音辨識呢？