Вообще, задача "воспроизвести речь компьютером" решается достаточно просто.
А вот задача "распознать речь", требует на порядок (если не на два) бОльших усилий и вычислительных мощностей.
Это иллюстрируется хотя бы тем, что "говорящих" "игрушек" было полно уже 20 лет назад, а "понимающие речь" появились относительно недавно. Да и те, честно сказать, корявые.