Я не уверен, что xna имеет какую-либо встроенную поддержку для этого, но вы можете настроить второй метафайл, содержащий информацию о времени и действиях. Например, отметьте время для каждого слова или фазы, встречающихся в файле, и запишите текст в соответствующее время.