機器視覺&語音識別

一、機器視覺：
       攝像頭視頻採集，真彩色轉256色，二值化，BP神經網絡，訓練或模版匹配。
 
動物體跟蹤、立體物體定位，距離測試
 
二、語音：
     識別（RAS），朗讀（TTS）。
     我想知道語音採集後怎麼處理呢？視頻採集出來的是一幅圖片，而音頻呢？沒有頭緒！