完璧に再現した場合と、
デモの上がってる程度の場合とでは、
かかった手間隙は違うよね絶対。

音声合成がどっち（英語、日本語）が大変かは俺分からんが、
完璧にやったらどっちも大変でしょ。
てか不可能でしょ。