Задача анализа голоса стала востребованной с широким распространением компьютеров и их периферии. Сама по себе задача анализа речи человека позволяет открыть новые области статистики, психологии и т. д., в которых с помощью машинных вычислений можно анализировать речь реальных людей в таких объемах, в которых это неподвластно обычному человеку или даже группам людей. Слово или фраза, сказанные человеком в реальности, в компьютерном представлении описываются огромным числом параметров, и поэтому только с недавнего времени вычислительные мощности компьютеров позволяют в реальном времени обрабатывать видео- и аудиофайлы. В связи с этим стали появляться такие системы, как «умный дом», в основе которых заложено  значительное упрощение взаимодействия машины и  человека. В данной системе основным органом управления являются голосовые или даже звуковые команды человека, будь то слово или хлопк. Помимо этой системы широко используется анализ голоса в сети Интернет, где при поиске разного рода информации можно использовать голосовой поиск, к примеру, в случаях когда нет возможности набрать текстовый запрос, и это очень удобно, особенно в эру смартфонов. В будущем при технологиях очень развитого распознавания и анализа речи можно воспроизвести реальный механизм «общения» человека и машины, что позволит развивать и обучать машину как человека.

1. Осовский С. Нейронные сети для обработки информации / пер. с пол. И.Д. Рудинского. – М.: Финансы и статистика, 2002. –344 с.

2. Галушкин А.И. Нейронные сети: основы теории. – М.: Горячая Линия-Телеком, 2010. – 496 с.

3. Модель бионической нейронной сети и ее применения [Электронный ресурс] / С.C. Ёлкин, С.В. Ёлкин, Э.С. Клышинский, В.Ю. Максимов, Т.Н. Мусаева. – М.: ИПМ им. М.В. Келдыша РАН, 2008. – URL: http://keldysh.ru/papers/2008/prep89/prep2008_89.html (дата обращения: 10.12.2017).

4. Калан Р. Основные концепции нейронных сетей. – М.: Вильямс, 2001. – 291 с.

5. Воевода А.А., Марков А.В., Романников Д.О. Разработка программного обеспечения: проектирование с использованием UML диаграмм и сетей Петри на примере АСУ ТП водонапорной станции // Труды СПИИРАН. – 2014. – Вып. 3 (34). – C. 218–232.

6. Марков А.В. Свойства инверсии сетей Петри // Сборник научных трудов НГТУ. – 2014. – № 4 (78). – С. 139–152.

7. Al-Shayea Q.K. Artificatial neural networks in medical diagnosis // International Journal of Computer Science Issues. – 2011. – Vol. 8, iss. 2. – P. 130–154.

8. Capannini G., Silvestri F., Baraglia R. Sorting on GPUs for large scale datasets: a thorough comparison // Information Processing and Management. – 2011. – Vol. 48 (5). – P. 903–917.

9. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2004. – 176 с.

10. Хайкин С. Нейронные сети. Полный курс. – 2-е изд. – М.: Вильямс, 2006. – 1104 с.

11. Медведев В.С., Потемкин В.Г. Нейронные сети. – М.: Диалог-МИФИ, 2002. – 496 с.

12. Яхъяева Г.Э. Нечеткие множества и нейронные сети. – М.: Бином, 2006. – 374 с.

13. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления связи. – М.: Горячая Линия-Телеком, 2003. – 94 с.

14. Загуменнов А.В. Компьютерная обработка звука. – М.: ДМК Пресс, 2011. – 580 с.

15. Лоянич А.Т. Запись и обработка звука на компьютере. – М.: Эксмо, 2008. – 390 с. – (Просто как 2х2).

16. Воевода А.А., Романников Д.О. Aсинхронный алгоритм сортировки массива чисел с использованием ингибиторных сетей Петри // Труды СПИИРАН. – 2016. – Вып. 5 (28). – С. 198–213.

17. Воевода А.А., Полубинский В.Л., Романников Д.О. Сортировка массива целых чисел с использованием нейронной сети // Научный вестник НГТУ. – 2016. – № 2 (63). – С. 151–157.