El reconocimiento automático de voz (ASR) ha avanzado rápidamente, evolucionando de los primeros sistemas de coincidencia de plantillas a los modernos marcos de aprendizaje profundo. Esta revisión traza sistemáticamente la evolución tecnológica del ASR a través de cuatro fases: la era basada en plantillas, los enfoques de modelado estadístico, la revolución del aprendizaje profundo y la aparición de modelos a gran escala bajo diversos paradigmas de aprendizaje. Analizamos tecnologías clave como los modelos ocultos de Markov (HMM), los modelos de mezcla gaussiana (GMM), las redes neuronales recurrentes (RNN) y arquitecturas recientes que incluyen modelos basados en Transformer y Wav2Vec 2.0. Más allá del desarrollo algorítmico, examinamos cómo el ASR se integra en sistemas de información inteligentes, analizando aplicaciones del mundo real en atención médica, educación, hogares inteligentes, sistemas empresariales y dominios automotrices, prestando atención a las consideraciones de implementación y diseño del sistema. También abordamos desafíos persistentes: robustez al ruido, adaptación a recursos limitados y eficiencia en la implementación, mientras exploramos soluciones emergentes como la fusión multimodal, el modelado que preserva la privacidad y arquitecturas ligeras. Finalmente, esbozamos direcciones de investigación futuras para guiar el desarrollo de sistemas ASR robustos, escalables e inteligentes para entornos complejos y en evolución.