是否可以比较音频（语音）信号的“形状”？

Question

以下是一个例子：

1. 录制非常低调的声音人说：“很高兴见到你”
2. 录制非常高调的声音女孩说：“很高兴见到你” （他们说速度几乎相同，就像第二个女孩试图模仿第一个人的声音一样）

我想做的是验证它们是否是类似的句子（不使用语音识别）

是否可以使用FFT？

但是男人和女人有不同的音调，女人通常会有高频率的声音，所以我认为只有FFT才会很难，因为FFT是基于频域的。

感谢。