Вот минимальный пример, как с помощью инструментов Transformers/Torch/Scipy сделать на Python генерацию текста в речь. Поддерживается русский язык.

from transformers import VitsModel, AutoTokenizer

import torch

import scipy

model = VitsModel.from_pretrained("facebook/mms-tts-rus")

tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-rus")

text = "Здравствуйте, вас беспокоят из службы безопасности Сбербанка."

inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():

output = model(**inputs).waveform

scipy.io.wavfile.write("call.wav", rate=model.config.sampling_rate, data=output)

Данный пример сгенерирует звуковой wav-файл, в котором будет находиться озвучка заданного текста.