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 Hacker News 求助：是否存在支持「文本 + 参考音频 → 音频」的商用 AI 模型，用来生成音效。他试过 ElevenLabs SFX，但它只支持文本到音频，没有参考音频就难以精准还原声音；Stable Audio 3 号称支持该能力，实测效果却很差。他感叹这一模态仍停留在 2016 年图像生成的水平，想确认究竟是缺少方案还是需求太少。