از این پس ربات‌ها می‌توانند مانند انسان‌ها صدای انسان‌ها را تشخیص دهند. بر اساس مقاله‌ای که امروز منتشر شد، تیمی از محققان بخش هوش مصنوعی مایکروسافت، سیستمی ساخته‌اند که توانایی تشخیص کلامی برابر انسان دارد.
زئودانگ هوانگ می‌گویند:
ما به سطحی برابر انسان رسیدیم. این دستاوردی تاریخی است.
این دستاورد به این معناست که برای اولین بار، یک کامپیوتر می‌تواند همانگونه که انسان می‌فهمد، صحبت‌ها را درک کند. این گروه حتی از موعد مقرر خود جلو افتاده‌اند. هری شوم از اعضای تیم می‌گوید:
حتی پنج سال پیش فکر نمی‌کردیم، می‌توانیم به همچنین چیزی برسیم. من حتی فکر نمی‌کردم که هچنین چیزی امکان‌پذیر است.
این دستاورد تاریخی، پس از ده‌ها تحقیق حاصل می‌شود. این تحقیقات، با تحقیقات DARPA در دهه ۱۹۷۰ میلادی آغاز شد و سپس شرکت‌های خصوصی نیز به آن پیوستند. این دستاوردها، کاربردهای زیادی خواهد داشت. این کاربردها شامل استفاده در ایکس باکس، نرم افزار‌های تبدیل گفتار به نوشتار و دستیاران صوتی مانند کورتانا می‌شود. این دقت، کورتانا را به یک دستیار شخصی قدرتمند تبدیل می‌کند.
البته این بدان معنا نیست که کامپیوتر می‌تواند تک تک کلمات را تشخیص دهد. در حقیقت، حتی انسان‌ها نیز نمی‌توانند دقت کامل داشته باشند. این دستاورد به این معناست که خطای کامپیوتر در حدی خواهد بود که از یک انسان انتظار می‌رود. این دستاورد، با استفاده از آخرین تکنولوژی‌های شبکه‌های عصبی حاصل شده است. شبکه‌های عصبی از داده‌های زیادی استفاده می‌کنند تا به کامپیوتر یاد دهند که روندها را در داده ورودی کشف کند.
بر خلاف پیشرفت‌های زیادی که در تشخیص صدا و تصویر داشته‌اند، اما محققان هشدار می‌دهند که هنوز راه زیادی در پیش دارند. محققان تیم سعی دارند که این سیستم را بهبود دهند که در شرایط واقعی نیز بهتر کار کند. به عنوان مثال، در جاهایی که نویز زیادی وجود دارد، امکان خطای سیستم بالا می‌رود. قدم بعدی این است که به کامپیوتر، قدرت درک سخنان انسان را بدهند. درست است که هنوز راه درازی تا هوش مصنوعی واقعی وجود دارد، اما این تحقیق، ما را یک قدم به هدف نزدیک‌تر می‌کند.
