比如有一句语音“开始”，先用 Google 翻译的标准音。
然后获取用户的声音。
然后比较语音的近似程度。
排除音高男女之类的差异，有点像图片比较，可以接受一定的模糊。
不知道有没有这类轮子。
PS：以前还找过视频去广告的方法，也尝试过一些音频的轮子，不过都是 python 的。这次想在网页上使用（感觉服务器反馈的延迟会影响体验），所以来请教一下大家。
这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.