Barrapunto

Sobre todo por culpa del formato de audio, que no de la idea en si. Pesa demasiado.

Se me ha ocurrido, aunque no se si es factible, un formato de audio "vectorial". Osea, que se pueda generar a partir de un texto, automaticamente. Pero no hablo de un sintetizador de voz, si no de algo que haga más o menos como los ficheros de gráficos vectoriales, que utilize un lenguaje "descriptivo" de los sonidos pero no los sonidos en si. Evidentemente este formato no sería adecuado para música, pero quizás para texto, si sería razonable.

Que lastima no tener los conocimientos suficientes.

Hay algoritmos de compresión especializados en voz.
Supongo que no utilizan una descripción de los sonidos como dices. De todas formas logran unas tasas de compresión espeluznantes.
Por ejemplo: Speex (speex.org) consigue que la voz se oiga bastante bien con 8kbps.