音频生成指使用 AI 根据文字提示或其他输入创造声音，包括音乐、旁白、音效和环境声，是 AI 创意工具中增长最快的领域之一，让创作者无需录音设备、乐手或配音演员即可产出完全定制的音频内容。

AI 音频生成模型在大量声音与音乐库上训练，学习区分不同流派、乐器、情绪和嗓音类型的模式与结构。在给定如「产品演示用 upbeat 电子背景音乐」或「英音 calm 女声旁白」等文字描述时，这些模型可生成与之匹配的音频。主流音频 AI 工具包括 ElevenLabs 语音合成，以及 Veo 3、Sora 2 等可随视频同步生成音频的模型。

对 AI 影视人和内容创作者而言，音频生成消除了完全由 AI 产出内容的一大障碍。无需授权或录音即可生成旁白、音乐和音效，使在 AI 辅助流程内产出精良、可播出级别内容成为可能。