日本語でマジにスムーズに歌わせるのはかなり難しいのでは？
音の自然なつながりを作るのが大変みたいだよ。

例えば、同音程でも「はい」の「は」のﾎﾞｲﾝと
「かい」の「か」のﾎﾞｲﾝは、同じ「ｱ」でも音が違うからね。
（口の形が違うのでわかりやすいと思う）
単に接続用に５ﾎﾞｲﾝｘ音程数用意すればいい
という話じゃなさそう。