我不确定它是否符合你的所有标准（主要是因为我不确定我是否理解你的所有标准！），但你可以看看ELAN：

描述：使用 ELAN，用户可以向音频和/或视频记录添加无限数量的文本注释。注释可以是句子、单词或注释、评论、翻译或对媒体中观察到的任何特征的描述。可以在称为层的多个层上创建注释。层可以分层互连。注释可以与媒体在时间上对齐，也可以引用其他现有注释。注释的内容由 Unicode 文本组成，注释文档以 XML 格式 (EAF) 存储。

另请参阅有关 ELAN的Wikipedia 页面。还有一个相关软件的维基百科列表，我不知道这是否相关。