Das kommt jetzt zwar ein bisschen spät aber:
Ich könnte mir vostellen, dass man Lip Files anhand von Stimmhöhe- und Tiefe generieren kann. Dazu kann man evtl. noch die Lautstärke rechnen, da diese ja auch bei jedem Buchstaben variiert. Was das auslesen dieser Daten angeht, so vermute ich, dass doch auch jeder Media Player so eine Funktion hat, indem die Töne als Balken dargestellt werden. Dann müsste man eine Tonhöhe/Lautstärke einer bestimmten animation zuweisen... aber das ist nur eine Theorie und _DICE_ hat vermutlich schon einen Weg gefunden. Aber wenn das hilft, dann ist doch gut.