Арт-проект в реальном времени - ввод: звук - вывод: изображение (лучше название?)

Я не совсем уверен, стоит ли мне здесь задавать этот вопрос. Я хочу сделать арт-проект. Я хочу использовать голос на входе и изображение на выходе. Изображение меняется соответственно звуку.

Как я могу это реализовать? Потому что мне нужно реальное время или задержка менее 50 мс. Сначала я подумал, что лучше использовать микроконтроллер. Но я хочу рассчитывать огромные изображения, возможно, мой микроконтроллер не может этого сделать. Например, я хочу вычислить 10.000 движущихся объектов. Могу ли я реализовать это с помощью windows / linux / mircocontroller?

Было бы очень хорошо, если бы я мог использовать Python. Или вы считаете, что обработка - лучший выбор?

Вам нужны дополнительные сведения?