Für Halbleiterhersteller ja, es ist ein Nischenmarkt ohne Stückzahl.
Hat hier keine hohe Priorität, aber tue da schon seit 80er Jahren rum ( war mal meine Diplomarbeit mit dem SP1000 ). Und nur im Rahmen des technisch Möglichen: also für Anwender die akustisch halbwegs saubere Umgebung haben und mit 90%-95% Erkennungssicherheit bei stark begrenztem Wortschatz ( 2 - 16 Worte ) leben können. Es gibt dann durchaus Leute die "handsfree" wollen. Z.B. Behinderte. Der NEC 3-Chipsatz wurde in den 80ern für Augenoperations- arbeitsplätze verwendet. Arzt sagt Funktion, Sprachausgabe quittiert sie, Auslösung der Funktion über Fußpedal. Die Alternative ( d.h. viele Fußpedale ) kann Spracheingabe unterlegen sein.
Hinter dem frontend der Bitrate heruntersetzt hat Erkennung einen Klassifikator den Sprachübertragungssystem nicht hat.
Sprache fürs öffentliche Telefonnetz ( z.B. Funktelefone ) muß nicht nur verständlich sein, sondern der Sprecher muß auch noch erkennbar bleiben. Nur bei militärischen Vokodern a la LPC-10 war das nicht gefordert. Frontend für Spracherkennung hat diese Anforderung explizit nicht. Man kann dort alles was sprecherabhängig ist rauswerfen, z.B. absolute Lage der Formanten. Sowie alles was beim Sprechen nicht reproduzierbar ist. Also Phase oder die Stauchung/Dehnung des Wortes ( vgl DTW )
MfG JRD