De flesta lite duktigare syntar kan göra formantljud, det är mest en fråga om rätt kombination av bandpassfilter, vågformer och brus. Sound on sound har som alltid en artikel om det.
Det finns så vitt jag vet två olika metoder som används för syntetiskt tal, det ena är syntetisering som ovan, det andra är sampling. När det gäller syntar skulle jag satsa på en Nord Modular/Micromodular om du verkligen vill grotta ner dig - där kan man trixa både med färdiga formantfilter och bygga egna utifrån bandpassfilter, och dessutom trixa med modulering av de olika banden på en helt annan nivå än färdigpatchade syntar. Samplad röstsyntes är vanligare nu, mest för att det inte låter lika syntat vad jag förstår.
Ytterligare ett alternativ är att leta upp lämpligt talsyntesprogram, sätta sig med en lista över de språkljud som finns i svenska/engelska (fråga en lingvistikprofessor) och sampla de delarna.