Нашёл локальный генератор речи, который работает на 1 ГБ оперативы — Soprano.

Что умеет:
• Озвучивает текст до 20× быстрее реального времени на CPU и до 2000× на GPU
• Под капотом 80 миллионов параметров без потери качества
• Начинает воспроизводить речь практически сразу после получения текста
• Озвучивает длинные тексты без ограничений по длине
• Поддерживает Windows, Linux и macOS
• Работает через WebUI, командную строку, Python API и OpenAI-совместимый API
• Модель можно дообучить на записях речи для клонирования или под новый язык

Сохраняем.

Пет-проект