由于深度学习与语音识别相结合，因此对CPU和内存的占用量不容小觑。随着用户大量采用语音识别系统，构建经济高效的云解决方案是一个具有挑战性的重要问题。对如何降低计算成本并开发更有效的解决方案的研究一直在进行。今天，大多数语音识别系统都是基于云的，并且具有必须解决的两个具体问题：延迟和持续连接。延迟是需要立即响应的设备（如）的关键问题。在长时间监听的系统中，由于带宽成本，持续连接是一个问题。因此，还需要对边缘语音识别的研究，它必须保持基于云的系统的质量。

　　近年来，语音识别的表现和出现了巨大的飞跃。我们离完全解决这个问题还有多远？答案也许五年、也许十年，但仍然有一些挑战性的问题需要时间来解决。

　　第一个问题是对噪音的敏感性问题。一个语音识别系统在非常接近麦克风而且不嘈杂的环境中运行得很好——然而，如果说话的声音比较远或者环境很嘈杂能迅速降低系统的效能。

　　第二个必须解决的问题是语言扩展：世界上大约有7000种语言，绝大多数语音识别系统能够支持的语言数量大约是八十种。扩展系统带来了巨大的挑战。

　　此外，我们缺少许多语言的数据，而且匮乏数据资源则难以创建语音识别系统。

　　深度学习在语音识别和对话式AI领域刻下了深深的印记。而鉴于该技术最近获得的突破，我们真的正处于一场革命的边缘。

　　而最大的问题在于，我们是否准备赢得语音识别领域的技术挑战，并像其他商品化技术一样开始运用它呢？或者说，是否还有另一个新的解决方案正等待着我们去发现？毕竟，语音识别的最新进展只是未来科技蓝图的一小块：语言理解本身就是一个复杂而且或许更加强大的一个领域。