после того как начитывается текст.

Там же должна быть пофонемная разметка.

Автоматически делается или в ручную?

Какое разделение фонем используется? (всмысле какой набор фонем) .

Подходят ли аудио книги для этого?

Почему нет проекта не S2T а Phonetic Search ?

Много вопросов ? :)