Ich bin kein Rubyexperte, aber was man dafür braucht ist folgendes: Man muss die Eingaben vom Mikro erfassen, diese in das benötigte Format umwandeln (hängt vom 3. Punkt ab) und dann braucht man ein Spracherkennungsmodul. Ich weiß nicht wie weit die Spracherkennung heutzutage ist, aber so was zu programmieren ist sicherlich alles andere als trivial.