Conceito:
O Speech Recognition (ou reconhecimento de fala) é um método em que se permite o reconhecimento e a tradução da linguagem falada em texto por computadores, celulares, etc. Sua principal função é reconhecer as palavras em que o usuário irá falar. Para que o computador reconheça o som da sua voz juntamente com a fonética da palavra pronunciada, primeiro ele precisa digitalizar a fala que se quer reconhecer. Para isso, ele utiliza um conversor analógico-digital que capta as vibrações criadas pela sua voz e converte essas ondas em dados digitais. Em seguida, aplica-se uma medida para cada uma das ondas captadas e o som digitalizado é filtrado para separá-lo de ruídos e interferências.Existem duas saídas para o Speech Recognition:
Speech to text (STT) - É a ação em que o usuário entra com uma fala (texto), visto que teria como entrada de dados o áudio e a saída o texto.
Text to speech (TTS) - É a ação em que o usuário entra com o texto ao invés do áudio e tem como saída de dados em áudio.. (Seria o oposto do STT).
Fonte:
https://www.tecmundo.com.br/curiosidade/3144-como-funciona-o-reconhecimento-de-voz-.htm