Das kommt ganz drauf an was du mit selbst programmieren meinst. Geht es dir nur um die Funktionalität? Dann ist das ganze tatsächlich ziemlich einfach mit grundlegenden Programmierkenntnissen. Es gibt eine große Menge an frei verfügbaren Libraries, die du in deiner Software verwenden kannst. Mit Hilfe dieser kannst du dann ganz einfach die Sprachaudio in Text konvertieren und mit dem erzeugten Text weiterarbeiten. Also Befehle ausführen, oder andere Dinge tun. Wenn du also z.B. Python oder C# Kenntnisse hast kannst du deinen eigenen Sprachassistenten programmieren, der beispielsweise auf deinem Computer oder als externes Gerät z.B. auf einem Raspberry Pi ausgeführt wird. So kannst du auch viel mehr coole Funktionen selbst programmieren, und musst dich nicht auf die Restriktionen eines fertigen Gerätes einstellen. Im Internet gibts dazu viele Tutorials, einfach mal googlen. https://www.thepythoncode.com/article/using-speech-recognition-to-convert-speech-to-text-python wäre eins von vielen Beispielen. Wie du siehst brauchst du wirklich nur ein paar Zeilen Code, dafür brauchst du kein Studium und auch keine Ausbildung. Das kann man ziemlich schnell wenn du ein bisschen Programmiergrundlagen geschaffen hast.

Wenn du andererseits die eigentliche Konvertierung von Audio zu Text programmieren willst ist das ganze deutlich komplizierter. Sicher nicht unmöglich, aber wirklich aufwendig. Wenn du das nur für eigene Projekte brauchst ist selbst programmieren eigentlich keine Option, da nimmt jeder fertige Libraries. Eine eigene Speech-to-text Engine schreiben erfordert deutlich fortgeschrittene Kenntnisse, auch von Sprache an sich. Du musst die ganze Auswertung selbst vornehmen. Auch hierfür gibt es fertige Ansätze, z.B. mit Machine Learning, z.B. mit TensorFlow. Dann kannst du auch deine eigenen Modelle trainieren. Soll das ganze sehr zuverlässig funktionieren ist eine große Menge an Audiobeispielen verschiedener Stimmen in verschiedenen Umgebungen nötig. Da sind die fertigen Modelle meistens auch besser dran, da diese umfangreich trainiert wurden. Google und co sind da halt im Vorteil, die haben einen riesigen Satz an Sprachaudios. Aber ich möchte dich von nichts abhalten, wenn du genug Kenntnisse hast ist auch sowas sicher ein reizvolles Projekt, dauert nur deutlich länger.