不会。如果单词以不同的速度或语调（韵律）发音，或者由不同的说话者发音，则互相关将没有任何意义。

对韵律变化更鲁棒的解决方案是使用对音高依赖性较小的音频特征（例如 MFCC），以及对本地时间拉伸（例如 DTW 或 HMM 之间的距离）具有鲁棒性的比较方法。在比较两个不同人说同一个词的录音时，它仍然表现不佳。

不是。人类的文字识别是一种非常复杂的心理感知现象。对人类来说听起来像同一个词的事物可能具有完全不同的波形，相关性几乎为零（不同的音高频率和音调调制、时序、共振峰中心、周围环境等）

不可能......@pichenettes 说的是对的...... “人们不是唱片播放器 - 一个词的每一句话，即使是同一个人，在时间、音高、音色上都有差异，这会改变信号的形状”

除非@user4947 说它是同一个音频文件，但可能 1 是剪切版本，而另一个是完整音频文件。