Еще до нового года майкрософт показали довольно впечатляющую систему преобразования текста в голос, с хорошим качеством и важнейшей фичей — достаточно 3 секунд вашей речи, чтобы система начала говорить вашим голосом и даже пыталась угадать вашу интонацию. Очень впечатляют демки, если неинтересно разбираться дальше, попробуйте хотя бы их. https://valle-demo.github.io/