Проблема не в отдельных звуках.
Речь распадается в движении, поэтому слова слипаются.

В программе вы собираете поток речи:
сначала медленно, потом в обычной скорости.

Через некоторое время появляется ощущение,
что язык успевает за мыслью.

Вы не будете контролировать каждую букву —
речь станет понятной сама.