Подумав еще немного, я пришел к выводу, что мне подойдет любой распознаватель русской речи с достаточно документированным API, которому можно скормить звук и получить оттуда речь в виде списка фонем из ARPABET и их начал и длительностей с точностью до микросекунды. Мне придется писать софтинку для этого самому, но поскольку от нее на выходе требуется не графический интерфейс, а wav с дополнительным блоком данных, формат которых вроде бы известен, это дело не шибко хитрое. Но скорее всего, ничего подобного добыть не удастся, поскольку за все что хотя бы упоминается в сети стесняются просить конкретные деньги — а значит, оно как минимум, стоит неподъемно.

Проще попросить от человека текст с проставленными паузами, соответствующими фактически произнесенному звуку, перегнать текст в фонетическую репрезентацию по словарю, а затем найти эти паузы в звуке и тупо поделить время звука между фонемами на равные промежутки, после чего записать результат в искомом формате. Это даст болванку для дальнейшей ручной работы, экономящую минимум половину времени…

Эту версию я откуда-то скачал. Не знаю, выходили ли новые версии. Если нужно, я могу найти (у себя на диске) архив и как-нибудь переслать (общий объем - около 30 Мб).