音声入力 → 日本語認識 → 日本語から標準言語変換 → 標準言語情報というのが、日本語音声入力ということを考えた場合の第１ステップになるのでしょうか。そして、この標準言語情報が保存されたり、ネットワーク経由でやりとりされたりする。
で、その情報を受け取った側では、
標準言語情報 → 標準言語から自国語変換 → 自国語音声出力という処理をして、受け取った人の国の言葉でしゃべらせてやる。
これであれば、各国では、自国語と標準言語への相互変換のソフトウェアだけを作ってやると、すべての国の言葉が認識可能になるというわけです。
国際情勢からいくと、「標準言語」＝「英語」になりそうな感じがするなぁ。なにしろ、現在でもＩＳＯ（国際標準化機構）の規格文書も「英語で書かなければならない」ということに決まっている。そして、各国はそれを自国の規格（たとえば日本ならＪＩＳ規格）に翻訳しているわけです。
この爆発的な国際情報化時代において、英語が自国語である国は、それだけで、ずいぶんと利があるような気がしますよね。(^^;;