自動字幕でテキストを読み込ませそれを音声に合わせてだしたい。

紙の台本の場合は、カメラで撮影してOSの機能で画像をテキストに変換（コピー）後、テキストエディタにペーストする事が出来ます。

Macは標準機能ですが、WindowsはマイクロソフトのPower Toysをインストールすると対応できます。

>台本と一言一句台本に沿った音声を収録されたものをもらっている状態

とのことですが、台本は「紙に印刷されたもの」ではなく、パソコン上で文字の「コピー＆ペースト」が可能なファイルで支給されていますでしょうか。また、音声は何らかの映像に合わせて貼り付けたうえで、指定の台本通り（漢字・かな表記も忠実に）の文字を入れてゆく形でしょうか。

もしそうでしたら、テキストの入力は台本のファイルから「コピー＆ペースト」するとして、音声（映像）へ貼り付けるタイミングは手作業の方が、結局はミスがなく早く入れられるようにも思います。

台本の形式・書き方によって、コピー＆ペーストの際にうまく選択しにくかったりといったこともあると思うのですが、フォントサイズを大きくしてみたり、あまりにもコピペしにくい原稿でしたらあらかじめ若干整形しておく（置換などの機能で一気にできれば理想ですが、改行を挟む程度ならば手動でも……）といったことでも、結果的に作業時間を短くすることができるかと思います。

仮に、500シーンくらいで1シーン20秒でテキストのコピペと映像への貼り付けができれば3時間弱の仕事ということになるかと思います。

（文字起こしとキャプション機能でとりあえずダミーの自動文字起こしによるテキストを入れて、それを「器」としてあとから台本の内容をコピペしながら分割のタイミングを依頼者の指定通りに修正するという手段も考えられますが、どの程度時短になるか、もしくはかえって時間がかっかってしまうかもしれないかどうか、私自身やったことがないのでわかりません……。）