Abbildung 21.1: Aufbau eines typischen VUI: Wird eine Anfrage gestellt, werden die Audiodaten im Rahmen der Spracherkennung zunächst in Wörter konvertiert. Anschließend interpretiert das VUI die Wörter hinsichtlich ihrer Bedeutung (Sprachverständnis). Im darauffolgenden Dialogmanagement entscheidet das VUI über die nächsten Systemschritte und stellt Suchanfragen oder verbindet sich mit den gewünschten Apps. Basierend auf diesen Aktionen generiert es die Antwort (Antwortgenerierung) und konvertiert diese abschließend wieder in Audiodaten (Sprachsynthese), die als Sprache ausgegeben werden.