人間の声で制御をする音声指令システムであり，音声認識技術がおもである．機械側から人間に対して音声伝達するには音声合成が用いられる．人間が日常に使用している自然言語で，不特定話者を対象に，リアルタイムで連続音声認識できることが理想であるが，一般には，言語や話者を特定し，システムの信頼性を高めているものが多い．