Stimmerkennung ist die einzige biometrische Technologie, die nichtvisuelle Eigenschaften des menschlichen Körpers vermisst. Hier werden die Tonvibrationen in der Stimme einer Person gemessen und mit bestehenden Mustern verglichen. Normalerweise muss dazu die zu identifizierende Person ein bestimmtes Erkennungswort oder einen ganzen Erkennungssatz aussprechen, die den Verifizierungsprozess zusätzlich unterstützen. Diese Methode kann selbst am Telefon angewendet werden, hat aber einen großen Schwachpunkt, nämlich die Empfindlichkeit gegen Interferenzen und Hintergrundgeräusche.

Die Charakteristik der menschlichen Sprache (in Bezug auf die Aussprache) entsteht in der Form bzw. Größe von menschlichen Teile (z.B.: Stimmbänder, Mund, Nase, Lippen, etc.), die dann schließlich zu Tönen führen. Die Spracherkennung unterscheidet eine textabhängige und eine textunabhängige Verifikation. Die textabhängige Verifikation gibt die Gültigkeit einer Identität eines individuellen basierenden Ausdrucks (Sprechweise) von einer fixierten vorgegebenen Phrase an. Die textunabhängige Verifikation verifiziert die Identität eines Sprechers unabhängig von einer Phrase, welche schwieriger zu entziffern ist, da die textabhängige einen besseren Schutz gegen Täuschung bietet. Das Aufnahmegerät dafür ist ein Mikrofon oder Telefon und wird hauptsächlich im Telebankingbereich angewendet.