是否存在基于文本与参考音频生成声音的 AI 模型？

用户在 Hacker News 询问是否存在支持“参考音频 + 文本提示词”输入来生成新声音的商用 AI 模型。发帖者表示在音效生成场景下，仅支持纯文本的 ElevenLabs SFX 难以精准重现目标声音，而尝试的 Stable Audio 3 效果并不理想。发帖者认为当前该音频生成模态的发展水平仍处于类似 2016 年图像生成的早期阶段。