طراحی ماشین‌های تحلیل مکالمات و بهبود سیستم‌های تبدیل گفتار به متن همواره یکی از پروژه‌هایی بوده‌ است که دارپا در طی سال‌های اخیر بر روی آن تمرکز زیادی داشته‌است؛ امّا این پروژه بسیار فراتر از نمونه‌های قبلی است، زیرا در این پروژه، مکالمات انجام شده بین افراد می‌تواند بوسیله این دستگاه برای همیشه ضبط و ذخیره شود.

این سیستم می‌تواند توییت‌ها و آرشیو ایمیل‌های افراد را در پایگاه داده خود ذخیره کند. در اواخر سال گذشته میلادی گوگل در وبلاگ رسمی خود اعلام کرد که در سال 2013 خدماتی را برای کاربران خود در تعدادی از کشورها ارائه خواهد کرد که این کاربران می‌توانند از طریق جی‌میل خود به طور رایگان تماس تلفنی برقرار نمایند. البته این شرکت اعلام کرده بود که این خدمات فعلا در کشورهایی همچون کانادا و آمریکا ارائه خواهد شد و سپس به سایر نقاط دنیا نیز خواهد رسید. نکته قابل ذکر این است که سیستم مورد مطالعه دارپا می‌تواند به‌راحتی این مکالمات را نیز ضبط نماید.

"مَت لیز" محقق علوم کامپیوتر "دانشگاه تگزاس" برای سال‌ها بر روی پروژه‌های این‌چنینی کار کرده‌است. یکی از کارهایی که او پیش از این پروژه، برای دارپا کار کرده است معروف به "EARS" است که به معنای "تبدیل گفتار به متن مقرون‌به صرفه، موثر و قابل استفاده مجدد" می‌باشد. هدف از این پروژه، افزایش صحتِ ‌کار ماشین‌های خودکار تبدیل مکالمات به متن است.

دارپا آن‌قدر از انجام این پروژه مشعوف شد بود که 300 هزار دلار دیگر به این محقق جایزه داد تا برای دو سال دیگر بر روی ترکیب این پروژه با پایش جمعیتی کار کند تا در نتیجه آن سیستمی طراحی شود که به طور خودکار صحبت‌های افراد را با صحت تمام تحلیل کند و در عین حال، هزینه‌ای کم و سرعتی بالا داشته باشد.

لیز در مصاحبه‌اش با سایت خبری "Wired" چنین گفته است: "آن‌ها در مورد جوانب تکنولوژیک این طرح با من صحبت کردند. اما من در عوض به آن‌ها پیشنهاد کردم که به جای این‌که از این تکنولوژی به عنوان منابع یکروزه جهت شنود استفاده کنند بهتر است که به سمت تولید سیستم‌هایی پیش‌روند که بتوانند مکالمات را برای همیشه ذخیره کنند تا قابلیت جستجو نیز داشته باشد."

لیز همچنین درباره مشکلات این گونه‌ پروژه‌ها به نکاتی نیز اشاره کرده است: "تا بحال این کار به کمک بشر انجام می‌شد که بسیار زمان‌بر بوده و دارای دقتی بالا و هزینه‌ای گران بود؛ البته نمونه دستگاه‌های موجود نیز دارای دقّت آن‌چنانی نیستند و قادر به تصحیح مکالمات، تشخیص تکیه‌گذاری افراد در مکالماتشان نمی‌باشند. این دستگاه‌ها بسیاری از ویژگی‌های موجود در کلام و گفتار را نیز تشخیص نمی‌دهند، لذا قادر نیستند که نقاط مهم و یا کم اهمّیت مکالمات را مشخص کنند."