Не, это не нужно.

По сабжу : берешь DirectShow, соединяешь нужные фильтры и получаешь поток или берешь любой звуковой движок и так же получешь поток.
Полученый поток квантуешь и делаешь дискретицацию(до 20 мс), всё. Дискретизация нужна что бы файлик меньше весил и у windows.beep есть такая проблема что при длительности меньшей 10 мс звука нет вообще.