喋りは難しいですよ。
たとえば裏声を鍛えて高い声で綺麗に歌えるようになるよりも、
高い声で綺麗に喋れるようになるほうが、数段難しい。

あと、他所は知らないけど少なくとも日本語だと、
音程の上下動がすごく激しく(1オクターブ以上飛ぶのもザラ)、
しかも不味いことに日本人は大抵はそのことに無自覚なので、
「簡単に」発声してるような気になっている。
実は凄く難しい制御をやっているのに。

別のところでサンプリング音源の音程連続変化の難しさを書いてる人がいるけど、
(少なくとも日本語の)喋りでは、もろにそれが必要になってしまう。

古代ギリシャの文献では、
喋る言葉の音程の上下は5度(半音で7つ、周波数比でいえば2:3)以内に収まるのが良い、
とされてたそうです。
あっちの言語はあまり上下動を使わないみたいですね。
ただ、そのぶん今度はアクセントというか強弱を重んじるのかも知れません。