使用八度音程进行字母语音识别

我正在尝试从音频文件中识别所有字母。音频文件 (26) 是我说字母表的录音。所以我正在尝试实现一个语音转文本程序，其中输入是我的声音说一个字母，我试图预测它是什么。

我想我将不得不对声音进行某种转换，例如 fft、频谱图。收集一些声音信息，如过零率、最大频率等。然后尝试找到最相似的一个，比如欧几里得距离。

我正在尝试仅使用八度音程来执行此操作。我不想要完整的代码，我只想知道从哪里开始。你会怎么做？