想象一下，只需输入一段文字，就能立刻生成一个数字人，不仅口型与声音完美同步，连说话的风格、面部表情都能模仿得惟妙惟肖？这听起来像是科幻电影里的场景，但现在，阿里开源的 OmniTalker 项目，正让这个想法触手可及。 数字人生成的“老大难”问题，解决了？ 在过去，想要从文本生成一个会说话的数字人视频，通常需要分好几步走：先用一个模型把文字转成语音（TTS），再用另一个模型根据语音驱动数字人的口型和表情。这种“分步走”的方式，就像一个蹩脚的翻译，不仅效率低、延迟高，还常常导致声音和画面对不上号（音画不同步），或者说…