تشخیص خودکار گفتار (ASR) بیش از 60 سال است که یکی از زمینه‌های تحقیقاتی است. در صنعت طیف گسترده ای از محصولات تجاری توسعه داده شده است که در آن ASR به عنوان رابط کاربری مفید تر و گسترده تر شده است. تبدیل گفتار به متن کاربردهای بسیار زیادی برای صاحبان صنعت دارد و برای بسیاری از کاربران کاربرد روزمره دارد. امروزه هوش مصنوعی نقش مهمی در عملیاتی شدن تشخیص گفتار انسان بازی می‌کند.
نحوه‌ی تعامل انسان با ماشین در طول سال‌ها دستخوش تحولات زیادی شده که رابط‌های کاربری از صفحه کلید و ماوس به صفحات لمسی و رابط‌های مبتنی بر گفتار تبدیل شده‌اند. در این میان تلاش بر کاهش سختی برقراری ارتباط انسان با کامپیوتر و خطاهای انسانی و افزایش سرعت بوده است. رابط‌های مبتنی بر گفتار امروزه در بسیاری از دستگاه‌ها استفاده می‌شود و با ملاحظاتی بهداشتی که اخیرا به عنوان یک مانع بزرگ برای ارتباط کاربران با ماشین در مکان‌های عمومی پیش آمده است، نقش رابط‌های مبتنی بر گفتار می‌تواند پر رنگ‌تر از قبل باشد.
تبدیل گفتار به متن در صنعت می‌تواند جلوی هدر رفتن زمان و منابع مالی را بگیرد. با وجود پیشرفت روش‌های تشخیص گفتار در بسیاری از مراکز پشتیبانی تلفنی و روابط عمومی سازمان‌ها و شرکت‌های بزرگ، تبدیل گفتار به متن مورد استفاده قرار نمی‌گیرد و تعریف سناریوهایی که بتواند استفاده از این ابزارها را عملیاتی کند کمک شایانی به صرفه جویی در زمان و هزینه خواهد کرد.