Ask HN：有没有基于文本和参考音频生成音效的 AI 模型？

一位开发者在 Hacker News 提问，寻找能同时输入参考音频和文本指令、输出新音效的 AI 模型，用于在干净样本不足的情况下生成音效。他试过 elevenlabs SFX，但只支持文本转音频、缺少参考难以精准还原；也试过号称支持该功能的 Stable Audio 3，效果很差。他认为这一模态仍停留在 2016 年图像生成的水平。