1，確定采集音頻的開始，作為時基。
2，語速不同導致音頻不同，要平均取時間點。
3，音量不同導致波形振幅不同，將采集的音頻按比例壓制或放大到可以比較的程度。
4，將采集的音頻特征與已經排序好的音頻庫作對比，取出匹配程度較高的單詞或字母。
這壹步可能涉及壹些優化和高效的算法，最重要的是這壹部分
5，將所得結果反饋給用戶