O reconhecimento de uma voz especifica ainda é uma coisa não muito segura e tem alto processamento nisso para retirar ruido e tal.

Mas descobrir, em nivel computacional, o que um som representa graficamente é relativamente tranquilo. Entao na verdade acho que o software, que estará embarcado no iphone, tentara converter isso para texto, e mandará texto ao google.
Caso ele não consiga manda para o google a voz, que o Google, parrudo que é, vai processar e entender.