Постановка произношения английского языка

[PresentSimple]

Привет. Хочу сделать на диплом программу по постановке произношения английского языка. Но не знаю в каком направлении копать. Первое что приходит в голову это api (yandex, google). Представляю себе все это дело так: пользователь говорит слово programming, допустим файл flac или wav записывается, строку programing даю гуглу и прошу вернуть мне аудио. Как сравнивать пока не понятно правда( может анализ спектра или что то в этом роде. Может быть кто то подобным занимался или может подсказать хотя бы направление, реальна ли такая затея. Приложил пример, подобие чего я хочу сделать.