从AudioRecord缓冲区中分离单词

Question

Android平台允许我们使用AudioRecord对象录制音频缓冲区。我们得到的是包含采样值的短裤数组。好吧，现在如果我在麦克风中说“一二三四五六”，这就是结果（见图）。

我想要的是将缓冲区分成7个，每个单词一个部分。我不是信号处理专家，那么通常的做法是什么？我的眼睛能够立即分割波形，因此应该存在一种算法。在这种情况下，似乎没有必要过滤信号。

编辑：我正在构建的是用户通过语音输入数字质询的方式，因此只有数字发音，并且用户需要在两位数之间留下短暂停顿。