近年來，首先是，由于摩爾定律持續(xù)有效，今天可用的計算力僅僅相比十幾年前就高了幾個量級；其次是，借助越來越先進的互聯(lián)網(wǎng)和云計算，我們得到了比先前多得多的數(shù)據(jù)資源。最后，移動設備、可穿戴設備、智能家居設備、車載信息娛樂系統(tǒng)正變得越來越流行，在這些設備和系統(tǒng)上，鼠標和鍵盤不再那么便捷了，而對話交互會成為人機交互的未來。

語音技術同時可以促進人類之間的交流（HHC）以及人機交流（HMC），HHC比如，發(fā)送給他人的語音消息可以轉化為文字方便閱讀，采用語音輸入也更為便捷，語音識別技術還可以用來將演講和課程內容進行識別和索引；HMC比如，語音搜索、個人智能助理、聲控游戲、智能家居等。

一個語音對話系統(tǒng)一般包含四個主要組成部分中的一個或多個：語音識別系統(tǒng)將語音轉化為文本、語義理解系統(tǒng)提取用戶說話的語義信息、文字轉語音系統(tǒng)將內容轉化為語音、對話管理系統(tǒng)連接其他三個系統(tǒng)并完成與實際應用場景的溝通。如下圖：