Code:

import cv2
import mediapipe as mp
from kivy.app import App
from kivy.uix.button import Button
from kivy.uix.textinput import TextInput
from kivy.uix.boxlayout import BoxLayout
import pyttsx3
class handTracker():
    def __init__(self, mode=False, maxHands=2, detectionCon=0.5,modelComplexity=1,trackCon=0.5):
        self.mode = mode
        self.maxHands = maxHands
        self.detectionCon = detectionCon
        self.modelComplex = modelComplexity
        self.trackCon = trackCon
        self.mpHands = mp.solutions.hands
        self.hands = self.mpHands.Hands(self.mode, self.maxHands,self.modelComplex,
                                        self.detectionCon, self.trackCon)
        self.mpDraw = mp.solutions.drawing_utils
    def handsFinder(self,image,draw=True):
        imageRGB = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
        self.results = self.hands.process(imageRGB)
        if self.results.multi_hand_landmarks:
            for handLms in self.results.multi_hand_landmarks:

                if draw:
                    self.mpDraw.draw_landmarks(image, handLms, self.mpHands.HAND_CONNECTIONS)
        return image
    def positionFinder(self,image, handNo=0, draw=True):
        lmlist = []
        if self.results.multi_hand_landmarks:
            Hand = self.results.multi_hand_landmarks[handNo]
            for id, lm in enumerate(Hand.landmark):
                h,w,c = image.shape
                cx,cy = int(lm.x*w), int(lm.y*h)
                lmlist.append([id,cx,cy])
            if draw:
                cv2.circle(image,(cx,cy), 15 , (255,0,255), cv2.FILLED)

        return lmlist
def main():
    cap = cv2.VideoCapture(0)
    tracker = handTracker()
    while True:
        success,image = cap.read()
        image = tracker.handsFinder(image)
        lmList = tracker.positionFinder(image)
        if len(lmList) != 0:
            print(lmList[4])
            import speech_recognition as sr
            recognizer = sr.Recognizer()
            with sr.Microphone() as source:
                print("Adjusting noise ")
                recognizer.adjust_for_ambient_noise(source, duration=1)
                print("Recording for 4 seconds")
                recorded_audio = recognizer.listen(source, timeout=4)
                print("Done recording")
            try:
                print("Recognizing the text")
                text = recognizer.recognize_google(
                        recorded_audio, 
                        language="en-US"
                    )
                with open("history.csv","a") as f:
                    f.write("{}".format(text))
                print("Successfully")
            except Exception as ex:
                print(ex)
            exit()
        cv2.imshow("Video",image)
        cv2.waitKey(1)
class Main(App):
    def build(self):
        self.al_speak = pyttsx3.init()
        self.getname = False
        main_layout = BoxLayout(orientation="vertical")
        button = Button(text='Click',size_hint=(.1, .1),pos_hint={'center_x': .5, 'center_y': .5})
        button.bind(on_press=self.get_name)
        self.textinput = TextInput(text='Hello world',size_hint=(.5, .5),pos_hint={'center_x': .5, 'center_y': .5})
        main_layout.add_widget(self.textinput)
        main_layout.add_widget(button)
        return main_layout
    def get_name(self, instance):
        if self.getname is False:
            self.getname = True
            self.al_speak.say("Hello {} raise one hand above your head to speak.".format(self.textinput.text))
            self.al_speak.say("Then, raise your other hand above your head to start searching.")
            self.al_speak.runAndWait()
            with open("history.csv","a+") as f:
                f.write("\n"+self.textinput.text+",")
        else:
            print("You have already enter the name!")
        main()
if __name__ == '__main__':
    app = Main()
    app.run()

Note:

+ Ngồi làm cả chiều muốn đập máy lắm đấy :)))

+ Không làm giống hoàn toàn đề bài được, mình chỉ làm được khi người dùng giơ tay vào khung hình thì sẽ bắt đầu ghi âm, sau 4 giây sẽ lưu dữ liệu (Định làm khi người dùng giơ tay lần nữa mới tắt ghi âm nhưng cái thư viện speech_recognition hôm nay cứ bị sao ý, không đặt giới hạn là không ghi âm được)

+ Định dùng pandas để xử lý file CSV nhưng lừa quá làm như file text luôn :)))

+ Các thư viện dùng: OpenCV, Mediapipe, Kivy, Pyttsx3, Speech_recognition (Cái này phải cày thêm cả Pyaudio nữa)