Ich kann damit leben, wenn Spiele ohne Zwischensequenzen keine Sprachausgabe haben, aber sobald man eine Szene inszeniert, reissen einen die Textboxen einfach komplett raus. Das war insbesondere bei Skyward Sword richtig schlimm, wo sie zum Teil sogar die Standard-Item-Animation mit dem entsprechenden Jingle mitten in einer Zwischensequenz abgespielt haben...
So ein Mix wie bei vielen JRPGs finde ich ganz ok, Zwischen- und wichtige Dialogsequenzen vertont, reguläre Gespräche mit NPCs während dem Spiel als Textboxen. Ist mir dann auch lieber als wenn jeder NPC vertont wird, dann aber immer wieder die gleichen Sprachsamples runterlabert, weil man an den Aufnahmen gespart hat.