背景资料：

• 动态时间规整 (DTW)：

在时间序列分析中，动态时间扭曲 (DTW) 是用于测量两个时间序列之间相似性的算法之一，其速度可能会有所不同。（来源：维基百科）

• 音素分割：

音素分割是将单词分解成单个声音的能力。例如，一个孩子可能会将“沙子”这个词分解成它的组成声音——/sss/、/aaa/、/nnn/ 和 /d/。（来源）

问题：

(a) 我们如何使用 DTW 进行音素分割？

(b) 我们需要哪种类型的数据来实现这个想法？（通过询问数据的类型，我们的意思是训练数据集中的每个样本应该有哪些特征可用）。

我的尝试：

假设我们在每个音素段中有一些音频文件是完全计算的并且可用。例如，我们知道从$t_1$到$t_2$，说话人只是说/a/，其他部分也有这种标签。如果我们有一个系统尚未看到的新样本，一种简单的方法是计算新样本与每个训练样本之间的差异。这种方法类似于 KNN（K 最近邻）算法。我们可以投票看看哪个音素赢得比赛。

另一种情况是数据未标记时。在这种情况下，我认为我们可以进行某种聚类（例如，K-means）来提取一些聚类均值，并使用它们。我们可以只计算新样本与聚类均值之间的距离（这将比我们之前在另一种情况下的计算要快得多）。

问题是这些方法对我来说似乎过于简单和低效。有没有更好（或更智能）的方法来解决使用 DTW 分割音素的问题？样本是否应该具有任何其他类型的特征？（其他，我的意思是除了指定每个音素的时间段之外）。