La codificación de voz es relativamente madura y existen muchos estándares ya preparados.
Ya existen soluciones relativamente maduras para la síntesis de voz, como la de iFlytek en China.
La tecnología de reducción de ruido de voz se ha desarrollado durante muchos años y se divide principalmente en reducción de ruido de un solo micrófono que elimina el ruido estacionario y reducción de ruido de dos micrófonos que suprime el ruido direccional. En términos generales, la mayoría de ellos existen en forma de funciones y es difícil mejorar fundamentalmente la calidad de la voz. Después de todo, ninguna tecnología de procesamiento de señales puede compararse con las capacidades de procesamiento del sistema auditivo humano.
Estrictamente hablando, la tecnología de cancelación de eco debería pertenecer al procesamiento de señales de audio. Sin embargo, la supresión del eco residual pertenece al procesamiento de señales de voz. Puede verse como una extensión de la tecnología de reducción de ruido de voz y tiene cierta conexión con los métodos de micrófono único y micrófono dual. Actualmente, esto se utiliza ampliamente en la tecnología VOIP y hay poco margen de mejora.
El marco técnico actual de la tecnología de reconocimiento de voz se basa principalmente en el reconocimiento de patrones, que tiene altos requisitos en cuanto a la comparación de datos. Todavía existen grandes cuellos de botella en las capacidades de procesamiento de dialectos, acentos y lenguaje hablado. Para los acentos estándar, todavía se puede manejar, pero también requiere un alto grado de cooperación por parte del usuario. En general, desde un punto de vista práctico, la tecnología actual sigue siendo un poco inútil.
Todas estas tecnologías tienen actualmente muchos proyectos de código abierto con buen rendimiento. Puede usarse como referencia. Pero el mismo problema es que no parecemos ver un camino muy brillante a seguir.