之前还真对这个方面有设想过。
我个人感觉rvc或者sovits，真人去读翻译的字幕，通过rvc或者sovits用模型，变成想要的音色。
这样的条件感觉简单一些，也不会出现日文ai转中文的"大佐感"（其实用动漫和日v搞出来的模型说中文也会有也有大佐感的，所以应该只能用中文训练来的模型）
我个人感觉自娱自乐应该是足够了。
但是说实话
缺点也很明显
不是专业的音声录制者，再加上可能的"母语羞耻"，部分，或者说大部分情况下，效果可能比小野猫什么的也要差不少。
总结一下——（脑测）
好处就是可以自己汉化想要的日文音声，而且音色可以自己调整，没有大佐感，没有机翻感，可以自己再润色调整。
劣势就是工作量虽然感觉比较小，但实际上也挺多的，要考虑多次反复录制才能成功的可能性（大家都不是专业人士），以及录出来之后语气、情绪等可以说必定出现的问题，实际上也不是一个简单活。