Если подключить SRTSpeaker, можно сделать черновую озвучку. Однако сразу становятся очевидны недостатки этого метода: фразы нужно будет либо обрезать, либо ускорять, либо перемонтировать исходное видео.
К счастью, в исходном видео почти всегда присутствует статичный фон, поэтому в целом это выполнимо. Пока я просто записываю всё, чтобы не забыть.