Распознавание речи для небольшой лексики (около 20 слов)

В настоящее время я работаю над проектом для моего университета. Задача состоит в том, чтобы написать систему распознавания речи, которая будет работать на телефоне в фоновом режиме, ожидая нескольких команд (например, вызов 0 123 …).

Это 2-месячный проект, поэтому он не должен быть очень точным. Количество приемлемого шума может быть небольшим, и слова будут разделены моментами молчания.

В настоящее время я нахожусь в точке загрузки образца слова, закодированного в формате RAW 16 бит PCM. Разделение его на порции (около 50 в секунду) и запуск FFT на каждом порции для получения частотного спектра.

Что нужно решить:
1) пройти более длительную запись и разбить ее на слова.
2) поиск лучшего соответствия для слова

1) Я думал о проверке фрагмента за фрагментом, и если я сталкиваюсь с несколькими фрагментами, которые имеют более высокие высоты частот человеческого голоса, предположим, что слово началось. В любом случае я ищу ресурсы, которые могут помочь с этим.

2) Этот швы немного жестче. Нужно ли использовать HMM для системы, подобной этой, или, может быть, существуют более простые методы, предполагающие, что словарь настолько мал (20 слов)?

Редактировать:
Суть проекта заключается в написании системы самостоятельно, поэтому я не могу использовать готовые библиотеки, такие как Sphinx или HTK.

С Уважением,
Karol