Ask HN：文本加参考音频生成音效的模型

2026年10月6日，有用户在 Hacker News 发帖求助，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，但未能找到成熟方案。据该用户描述，他试过 ElevenLabs 的 SFX，但该功能仅支持 text-to-audio，缺少参考音频输入，难以精确还原音色；他也试过号称支持该能力的 Stable Audio 3，结果很差。该用户认为这一模态的成熟度大约停留在 2016 年的图像生成水平。目前该帖仅停留在求助与个人使用反馈阶段，报道中未提及有厂商回应或出现新的可用方案。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。