语音识别在其早期发展中有两个方向。一个方向是根据语法和语义进行识别，但这种方法长期以来没有取得突破。第二个方向是让计算机学习大量的数据，然后通过大量的数据来训练模型的准确性。这一方向在互联网时代，已经取得了长足的进步，并逐渐取得了主导地位。毫不夸张地说，当算法之间的差异不大时，数据量越大，精度就越好。微信此举显然正是出于这一考虑。
其实这个问题的实质是，如果我们用机器学习算法对数据集上的数据模型进行一次训练，保存模型，然后用同样的算法和同样的数据集以及数据排序对其进行再次训练，那么第一个模型和第二个模型是一样的吗？
这可能是因为神经网络用增益或权重的随机值初始化，然后每个模拟在训练阶段有不同的起点。如果您希望始终保持相同的初始权重，可以尝试为初始权重修复种子以消除问题。
如果我们深入研究这个问题，我们可以根据ml算法的“确定性”来对其进行分类。当从同一个数据集进行训练时：
一个是总是生成相同的模型，并且记录以相同的顺序呈现；
另一个是总是生成不同的模型，并且记录顺序不同。
在实践中，大多数是“不确定的”。模型变化的原因可能是机器学习算法本身存在随机游走、不同权值的随机初始化、不同分量的概率分布抽样来分配优化函数。
虽然模型的“不确定性”可能会对单个训练结果造成干扰，但我们也可以用“不确定性”来确认模型的稳定性，如决策树、支持向量机（SVM）、神经网络等，最终可以通过多次迭代来确认模型的稳定性。
是否存在通用的神经网络模型，可以处理图像，语音以及NLP？对于目前的深度学习模型，虽然深度学习的目标之一是设计能够处理各种任务的算法，但是深度学习的应用还需要一定的专业化，目前还没有通用的神经网络处理模型。然而，每一种模式也在相互学习、相互融合、共同提高。例如，一些创新可以同时改进卷积神经网络和递归神经网络，如批量标准化和关注度。一般模型需要在将来提出。
图像和视频处理，计算机视觉，最流行的是CNN，卷积神经网络，它的变形和发展，CNN适合处理空间数据，广泛应用于计算机视觉领域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特点。将上述模型应用于图像分类识别中。在图像分割、目标检测等方面，提出了更有针对性的模型，并得到了广泛的应用。
语音处理，2012年之前，最先进的语音识别系统是隐马尔可夫模型（HMM）和高斯混合模型（GMM）的结合。目前最流行的是深度学习RNN递归神经网络，其长、短期记忆网络LSTM、Gru、双向RNN、层次RNN等。
除了传统的自然语言处理方法外，目前的自然语言处理深度学习模型也经历了几个发展阶段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于变压器的模型等。不同的任务场景有不同的模型和策略来解决一些问题。