语音识别（SpeechRecognizer），包括听写、语法识别功能。语音识别技术(Auto Speech Recognize， 简称ASR)即把人的自然语言音频数据转换成文本数据。除了听写、语法识别外，还有语义理解 中的音频语义理解（见后面章节）。

听写，是基于自然语言处理，将自然语言音频转换为文本输出的技术。语音听写技术与语法识别技术的不同在于，语音听写不需要基于某个具体的语法文件，其识别范围是整个语种内的词条。在听写时，应用还可以上传个性化的词表，如联系人列表等，提高列表中词语的匹配率（见后面章节）。

语法（命令词）识别，是基于语法规则，将与语法一致的自然语言音频转换为文本输出的技术。语法识别的结果值域只在语法文件所列出的规则里，故有很好的匹配率，另外，语法识别结果携带了结果的置信度，应用可以根据置信分数，决定这个结果是否有效。语法识别多用于要更准确结果且有限说法的语音控制，如空调的语音控制等。在使用语法识别时，应用需要先构建一个语法文件上传给服务器，并在会话时，传入语法ID，以使用该语法。