נניח שהוא יודע איך לכתוב דבר כזה ברמה מספקת (אני מאד בספק) והוא יכתוב לך את כל האלגוריתם הראשי אתה לא תבין מזה כלום כי זה דורש הבנה ברמה אקדמית של עיבוד אות ספרתי.

אתה צריך קודם כל לדעת את השפה שאתה עובד איתה ברמה גבוהה , אם זה לא JAVA או C# אז אני כבר מודיע לך שלעבוד עם ה API של הסאונד בוינדוז זה לא כל כך קל.
בנוסף , כדי לדגום ממיקרופון מומלץ להשתמש ב DIRECTSOUND שזה גם לא הכי פשוט.

אז נגיד הצלחת לעשות את הדברים האלו, יש לך קובץ WAV כלשהו ועוד איזה באפר של דגימות מפה העסק מתחיל להיות מאד מסובך.

צריך אלגוריתם של קורלציה ברמה הכי בסיסית שמשווה שתי באפרים של דגימות ומחזיר לך אחוז עד כמה הן דומות ואתה צריך לקבוע חסם (threshold) שעל פיו אתה מקבל את הדמיון.

ובנוסף יש אלגוריתם שצריך לדעת לפרק להברות וכן , לדעת להתעלם כמה שיותר מרעשי רקע ומקטעים מתים.

זה בכלל לא עסק פשוט במיוחד שמדובר על תחום יחסית מאד מתקדם שלומדים בעיקר מהנדסים.

אני אישית , לא הייתי מתקרב לדבר כזה לפני שהייתי לומד קורס עיבוד אותות ספרתי.

נ.ב
אני מצרף לך מאמר קטן באנגלית
שים לב שזה לא מאמר טכני ברמה של המתכנת אלא כמה רמות מעל
אבל זה בערך יסביר לך איך העסק הזה עובד
http://electronics.howstuffworks.com/speech-recognition.htm

מקווה שזה קצת יעזור לך

העניין הוא שזה לא בהכרח אומר הרבה. למה?
כי יש פה עניין של קידוד, גם ב-WAV. יכול להיות שעל כל הקלטה יש גם חתימה מסויימת (של תאריך יצירה ושעה) שזה כבר ישנה מהקובץ הבינארי את הנתונים שבתוכו לחלוטין ולא יאפשר השוואה.

אוקיי, אז תצטרך לשאוב מהם את קטעי הסטרים עצמו ולהשוות ביניהם (אני בטוח שיש קוד מוכן ב-C שעושה את זה).
אבל אז מה? אתה תצטרך לבנות פרוייקט שמבוסס על קוד שחזק מרמת התיכון פי 5000 שלא בטוח שיעבוד גם בסוף בגלל המורכבות של הקוד. גם רוב הסיכויים ש-60% ממנו יהיה באסמבלי ככה שלא תוכל להוכיח את עצמך בשפת C.