La identificación del hablante es una parte de un concepto más amplio conocido como el reconocimiento de voz. Comprende dos tareas importantes y de alguna forma similares, pero diferentes, a saber: la identificación del hablante y la verificación del hablante. La primera de ellas básicamente apunta a una asignación de decidir automáticamente que la muestra de voz probada pertenece a un individuo a partir de un conjunto de usuarios almacenados en una base de datos durante una fase de inscripción (formación).
Opcionalmente, si la confianza de una decisión final es demasiado baja no se reconoce a nadie. Esta tarea se conoce a menudo como un problema de grupo cerrado, ya que existe un conjunto fijo de usuarios que pueden reconocerse.
Por otra parte, el proceso de verificación de la mano evalúa si el individuo probado es el que él o ella dice ser.
Como hay muchos usuarios (posiblemente 7.000 millones de personas que viven en el mundo), es imposible que se hayan medido las características o modelos para todo el mundo. Por lo tanto, se denomina a esta tarea como un problema en grupo abierto. En esta situación el modelo de un hablante en general es vital para determinar los umbrales adecuados de aceptación / rechazo.
El reconocimiento del habla es un problema bastante difícil debido a muchas razones mencionadas más adelante en el texto y ha sido objeto de investigación científica seria a lo largo de más de 40 años por muchos equipos de investigación. Como están surgiendo tecnologías nuevas y accesibles, esta técnica está encontrando rápidamente aplicación en muchas áreas, sólo por mencionar algunas de ellas:
: Debido a la amplia gama de problemas que deben ser abordados hay muchas soluciones y técnicas comunes relacionadas con el problema de la identificación del hablante. Estas pueden ser clasificadas en 3 grupos principales:
Por último, la tarea de identificación del hablante se divide en dos grandes grupos, es decir, dependiente del texto y el problema de texto independiente. En el primer grupo el proceso de identificación no asume ningún texto específico, mientras que en la clase siguiente, los sistemas requieren de texto preciso para ser pronunciado. Obviamente el sistema dependiente del texto alcanza una mejor precisión.