您好，此处提供一下两种参考思路：
1.通过以通过分析语音信号的声学特征​（如基频、频谱峰值，音色、能量分布等）来实现。会用到比如WAV、DSP等工具箱，具体函数可以查看帮助文档
2.使用机器学习的方法通过提取音频信号的特征值，进行学习识别。
当然还有一些其他的手段可以尝试。希望回复对您有帮助。

没有头绪的时候，可以问问AI啊，现在AI这么多，问着问着就有思路了，后面就是实现的问题。