Не знаю, что там в этом ESP32, разбираться лень, на первый взгляд что-то - " лишь бы издавало звуки". Какая операционная система, какой плеер, может ли точно выводить звук, битперфект?
Иначе смысл всей этой затеи с замахом на такое разрешение, тем более, ещё пойди найди такие оригинальные не пережатые записи. В итоге может получиться результат - городил, городил и так жидко ...