Ich habs in C mal gemacht. Da isses vom Programm her kein Problem, nur die Kombination Qualität <=> Geschwindigkeit ist hier ein kleines Problem.
Allzuviel Puffern kann man bei nem AVR ja nicht.
Wenn man die Qualität dann soweit runterdreht, dass es einigermassen flüssig läuft, braucht man schon etwas Phantasie, um den gesprochenen Text o.ä., wieder zu erkennen.