سلام
برای این کار دو راه حل دارید

اول اینکه بیاید برای هر فایل صوتی یه سری metatag یا داده اضافی درباره اون فایل صوتی قرار بدید و بعد از اجرای اون فایل صوتی بیاید اون داده های اضافی رو بخونید.
حالا که داده های اضافی رو خوندید متوجه میشید که باید کدوم فایل متنی رو بیارید و باز کنید و داخلش رو بخونید
برای همزمانی صوت و متن باید به صورت هر 1 ثانیه یک بار فایل متنی رو باز و با زمان فایل صوتی چک کنید که در صورت وجود متن در ان زمان بخصوص متن نمایش داده بشه و در غیر این صورت نمایش داده نشه
حالا فایل متن شما باید دقیقا مثل فایل زیرنویس فیلمها یا lyric اهنگها باشه تا بتونید به صورت گفته شده بخونیدش

راه دوم استفاده از کتابخانه 3d party هستش که این کار رو براتون انجام میده
بشرطی که فایل lyric شما با اهنگ هاتون هماهنگ باشه
http://javamusictag.sourceforge.net/

راه سومی هم هست که فعلا مطلب زیادی در موردش پیدا نمیشه و اونم تشخیص و شناسایی Voice هستش که خیلی سخت و پیچیدست و ظاهرا هنوز برای اندروید کتابخانه خاصی براش نیست که بتونه بصورت پایدار و درست این کارو براتون انجام بده