生成声音的 AI 模型：文本与参考音频输入能否输出新声音？

用户询问是否存在能通过文本和参考音频生成新声音的商业 AI 模型，目前图像生成已能通过多模态输入实现，但音频领域尚未有成熟方案。尝试过 ElevenLabs SFX 和 Stable Audio 3，前者仅支持文本到音频，后者生成效果不佳。用户认为音频生成技术仍停留在 2016 年图像生成的水平，尚未出现类似图像生成的成熟工作流。