Resalta palabras o frases en un texto sincronizado con un archivo de audio o video

Estoy trabajando en la creación de libros de "video" para niños que:

1. Mostrar una imagen estática de una página extendida en un libro
2. Reproducir un archivo de audio del texto en ese pliego
3. Muestra el texto de esa página en la parte inferior de esa página, similar a los subtítulos

Actualmente, esto se está haciendo de una manera muy manual con un software de edición de video que permite crear cuadros de texto superpuestos en un video, pero no es exactamente lo que estoy buscando.

Idealmente, lo que estoy buscando es algo que me permita convertir un archivo de texto indexado en el tiempo en una superposición de texto en un video. Esto sería bastante similar a los subtítulos para un DVD, pero estoy buscando las siguientes características:

1. El texto debe ser lo suficientemente grande para que un niño pueda leerlo fácilmente.
2. El área de texto debe presentarse como una máscara rectangular casi opaca para mejorar el contraste entre el texto y el fondo.
3. El software debería permitirme especificar qué palabras deben mostrarse en una pantalla en un momento dado, y cuáles de esas palabras o frases deben resaltarse (similar al karaoke) en sincronización con el audio adjunto.
4. Se debe admitir el formato de texto básico (negrita, cursiva, al menos).

La preferencia es un programa gratuito basado en Windows, pero el software pago y basado en Linux también es una gran posibilidad. Un requisito es que debe ser utilizable en un producto comercial. Mi equipo se siente bastante cómodo con la programación básica, pero generalmente prefiere los enfoques de GUI; yo soy exactamente lo contrario.

Absolutamente no estoy buscando soluciones de texto a voz, pero trabajaré con archivos de audio pregrabados.

Nota adicional : puse "video" entre comillas al comienzo de esta pregunta porque actualmente estamos entregando el producto como DVD. No hay video en movimiento real , por lo que es posible que si hay algún software de presentación que ofrezca una buena vista de línea de tiempo donde el audio y el texto se puedan sincronizar a nivel de palabra, esa también es una gran posibilidad.