Моята дипломна работа също беше такава. Използвах невронни мрежи на Kohonen за разпознаване на фонеми в българския език. Но за целите на една дипломна работа няма изискване системата да работи в реално време. Да не би да искат да я продават ;). Аз обработвах предварително записани файлове - непрекъсната реч във времевия обхват. Част от тях ползвах за обучение , а другата за разпознаване. Не си спомням, но май DSP-то също го правех на файл. Така че задачата се свеждаше просто до разпознаване на предварителни подготвени вектори. При това с различни времеви прозорци и функции на преобразуване. Пробвал съм FFT, LPC, MelScale Cepstrum.