Ask HN：有没有基于文本和参考音频生成声音的 AI 模型？

一位开发者在 Ask HN 上求助，寻找能同时接受参考音频和文本指令、输出新声音的 AI 模型，用于基于少量干净样本生成新音效。他试过 ElevenLabs SFX，但该产品只支持 text-to-audio、无法用参考音频引导；也试过号称支持该功能的 Stable Audio 3，结果很差。他认为这一模态仍停留在图像生成 2016 年的水平。