用户讨论缺乏基于文本和参考音频生成声音的商用模型

2026年10月6日，Hacker News 社区发起讨论，询问是否存在能将参考音频与文本指令结合并输出新声音的商业化 AI 模型。讨论指出，目前 ElevenLabs SFX 仅支持纯文本转音频，而 Stable Audio 3 模型效果不佳。参与者普遍认为，这种多模态输入（Audio + Text -> Audio）的工作流尚未成熟，市场上缺乏成熟的商用解决方案。

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。