Búsqueda de modelos de IA para generar sonidos con texto y referencia

Un usuario de Hacker News busca soluciones comerciales para generar sonidos a partir de una descripción de texto y una referencia de audio, un problema que considera aún en desarrollo similar a la generación de imágenes en 2016. El autor, que necesita crear efectos de sonido con fuentes limitadas de ejemplos limpios, ha probado herramientas como ElevenLabs y Stable Audio 3, pero no ha logrado resultados satisfactorios al intentar combinar entrada de audio con texto para obtener salida de audio. Mientras que la generación de imágenes a partir de texto y referencia visual está bien resuelta, la generación de audio sigue siendo un desafío técnico significativo. El usuario pregunta si existen modelos que permitan esta combinación de modalidades o si esta funcionalidad sigue siendo una necesidad no resuelta en el sector de la inteligencia artificial aplicada al audio.