Обучение модели Fasttext

Я хочу обучить модель Fasttext в Python, используя библиотеку «gensim». Во-первых, я должен разбить каждое предложение на его слова, следовательно, преобразовать каждое предложение в список слов. Затем этот список должен быть добавлен к окончательному списку. Поэтому в конце у меня будет вложенный список, содержащий все токенизированные предложения:

word_punctuation_tokenizer = nltk.WordPunctTokenizer()
word_tokenized_corpus = []
for line in open('sentences.txt'):
   new = line.strip()
   new = word_punctuation_tokenizer.tokenize(new)
   if len(new) != 0:
       word_tokenized_corpus.append(new)

Затем модель должна быть построена следующим образом:

embedding_size = 60
window_size = 40
min_word = 5
down_sampling = 1e-2
ft_model = FastText(word_tokenized_corpus,
                  size=embedding_size,
                  window=window_size,
                  min_count=min_word,
                  sample=down_sampling,
                  sg=1,
                  iter=100)

Однако количество предложений в «word_tokenized_corpus» очень велико, и программа не может с этим справиться. Возможно ли, чтобы я обучал модель, давая ей каждое токенизированное предложение одно за другим, например следующее:?

 for line in open('sentences.txt'):
  new = line.strip()
  new = word_punctuation_tokenizer.tokenize(new)
  if len(new) != 0:
   ft_model = FastText(new,
              size=embedding_size,
              window=window_size,
              min_count=min_word,
              sample=down_sampling,
              sg=1,
              iter=100)

Влияет ли это на конечный результат? Можно ли обучить модель, не создавая такой большой список и не сохраняя его в памяти?