El reconocimiento de la voz constituye una parte importante del tratamiento del habla. Las técnicas de reconocimiento más desarrolladas son aquellas comúnmente usadas para el idioma inglés, las cuales incluyen el Análisis de Predicción Lineal (LPC) y el Alineamiento Temporal (DTW), estos algoritmos han tenido éxito habiendo sido sometidos a pruebas bajo diversos ambientes.

Debe tenerse en cuenta la importancia de desarrollar estas técnicas para el idioma español pues las características lingüísticas difieren de forma marcada cuando se requiera llevar hacia un reconocimiento más completo. El enfoque que se ha dado en un principio ha sido el de reconocer palabras aisladas, es decir, que las palabras se pronuncien entre pausas pequeñas de tal forma que el procesamiento se realiza teniendo como unidades lingüísticas las palabras de un vocabulario específico. Las unidades lingüísticas de cualquier idioma vienen a ser más bien los fonemas y los dífonos por lo tanto un enfoque en este sentido sería tal vez más apropiado si es que se desea llegar a vocabularios más extensos. Sin embargo el desarrollo aquí descrito puede considerarse en aplicaciones donde el vocabulario no exceda de 50 palabras.