語音處理（voice processing）的第一步就是語音辨識（voice recognition）。語音辨識就是把接收的所有聲音裡，過濾出真正的使用者聲音。這個過程是在音訊前端（Audio Front End, AFE）的階段完成。通常用到語音辨識的產品，也同時會有喇叭播放音樂或是語音，亦即會用到雙工（duplex）的系統，故我們需要去除回聲（Acoustic Echo Cancelling：AEC）把喇叭的聲音先去掉。去掉之後，我們再來分析殘留的聲音訊號。

通常語音辨識都會有麥克風陣列，所以可以判定聲源位置，判定完聲源位置之後可以用波束成形（beamforming）。這個波束成形通常需要演算法2～3毫秒的資料來判斷，以準確判斷使用者的位置。波束成形對對中高頻聲源有辦法定位、強化，但是對低頻的效果並不佳。解決方法之一是把兩個麥克風單體之間的距離拉大，這樣會增強低頻效果，但是缺點就是高頻會有問題：因為當麥克風之間的距離變大，超過一個波長時，距離內就會產生不只一個週期的聲波，這樣會產生假象頻率（aliasing frequency）。另一個解決方法是，讓麥克風們之間的距離不一（un-uniform）

接著，即使瞄準這個聲源了，但免不了還是會收到這個方向的噪音，所以最後會把這個噪音去掉。這個過程中，如何定義何謂噪音，何謂目標音源，就是仰賴各加軟體廠商的能力了。例如，如何能收進使用者的語音指令，但是又不收進電視機的對白，至關重要。更進一步，有種使用者身分辨識（speaker ID verification）的軟體，這個適用於個人化、具有使用隱私的裝置，例如穿戴式裝置或者手機。這些裝置必須只聽命於他主人的語音指令，不能被其他路人甲乙喚醒，這就涉及到聲紋（acoustic fingerprint）辨識的部分。

語音辨識一開始時，使用者都會先叫出喚醒字詞（wake word），例如對Apple產品就是”Hi Siri”。系統能否辨認出這個喚醒字詞，就衍伸出所謂的型一錯誤（Type I error）跟型二錯誤（Type II error）。較常用的良率指標是拒絕率（False Rejection Rate：FRR），也就是使用者講了很多次喚醒詞，但其中卻有幾次沒有成功換醒。如果系統聽了10次，有1次沒有成功反映，那拒絕率為10％。

承上思路，我們會希望提高辨識的靈敏度。但靈敏度太高也會有困擾，也就是會產生假警報（false alarm）。如下圖所述，縱軸為成功判斷出喚醒詞的機率，橫軸為假警報的機率。理想中是希望目標點在縱軸，值越高越好，也就是接收度高，但是不會把其他訊號誤判成關鍵喚醒。但現實生活中總有取捨，如果靈敏度太高，雖然接收率較高，但誤判率也會較高。

昊宬目前所販售的語音IC是燒錄聲音的IC部分。