...  ↑

1. Эта штука позволяет работать в итеративном режиме- записал, сравнил с оригиналом, записал новый вариант, опять сравнил. Каждая итерация 20-30 сек. Насколько я понял это слишком долго. Субстрат уже занимается другим и не может построить соотвествия?
Совершенно верно.

2. Динамику мелодии основного тона выделить-как в старой цветомузыке?. Поставить фильтр выделяюший частоты человеческого голоса моделируемого, по уровню сигнала после фильтра изменять например цвет(от светлозеленого до темнозеленого) или размер фигуры на экране(круга).
Фигуры, это нагляднее.

В другом канале выделить голос обучающегося и его отображать другим цветом(от светлосинего до темносинего) или размер фигуры центр которой в другом месте.
Совместить фигуры.

Причем делать это только в реальном времени..
Я так понял?
Совершенно верно.

Как это с минимальными затратами времени сделать пока не знаю.
По какому параметру сравнивать отличия? Как подстравиваться например к женшине или ребенку...
А это уже другая задача - звуко-голосо-подражание.