Сегментация речи

Требуется написать программу, которая будет сегментировать речевой сигнал пофонемно(определять , что это за буква не требуется), будь то аудиозапись или речевой сигнал с микро , не принципиально. Результат может отражаться на спектрограмме метками или, к примеру, разбиваться на маленькие кусочки аудио, каждий из которых будет содержать по букве, или какими-нибудь другими способами. Подскажите с чего начать и куда двигаться ?