具体来说，你只需输入一句话的创意需求，Pa vo就会自动处理所有流程，涵盖旁白生成、角色设计、音画同步等环节，省去了手动对轨、调音或切换工具的繁琐操作。

输入创意，启动AI Agent全流程

打开Pa vo官网（https://app.pa vo-ai.work/），登录后点击「新建项目」→ 选择「短剧/视频」模式 → 在中央输入框中输入你的完整创意描述。比如这样：“地铁站里，穿西装的年轻人盯着手机发呆，突然弹出一条‘你已被AI录取’通知，他抬头微笑，背景灯光随情绪变暖，BGM从冷色调钢琴渐变为轻快弦乐”。

注意，这一步不能只写画面。关键点在于，描述里必须包含人物动作、情绪变化和声音线索（比如BGM的转折、通知提示音），否则Agent无法触发音画联动的底层逻辑。

点击“生成”后，Pa vo会自动运行Harness调度系统，5–12秒内输出一张结构化需求卡片：包含标题、时长预估、画幅比例、分镜数量、风格标签和音效关键词，一目了然。

确认分镜与音效锚点

进入分镜编辑页，你会看到系统已经把原始文案拆解为3–7个镜头，每个镜头下方明确标注了音效类型和节奏锚点。例如：

镜头2：“手机震动+消息提示音（短促电子音）→ 持续0.8秒 → 钢琴单音切入”；

镜头4：“BGM升调转折点 → 同步灯光变暖 → 角色瞳孔反光增强”。

这些锚点是音画同步的底层依据，不可删除或拖动错位，否则会导致语音与画面脱节。如果觉得某处节奏不自然，唯一的办法是通过“重写该镜头描述”来调整，而不是手动拖拽时间轴。

确认无误后，点击右上角「锁定分镜」，系统会冻结所有音画绑定关系，进入批量合成阶段。

批量生成并合成音画一体视频

方法一：全自动合成（推荐新手）

点击「开始生成」→ 系统自动并行处理：Agnes-Image-2.1-Flash生成每帧画面 → Agnes-Video-2.0驱动动态运镜 → Agnes-2.0-Flash实时生成旁白文本并驱动TTS语音 → 背景音乐与环境音由音效引擎按锚点注入 → 最终封装为MP4。

整个过程约90–180秒，生成结果直接带完整音轨，没有静音片段、没有口型偏差、没有BGM突兀切入的情况。

方法二：分段精修后合成（适合有修改需求）

在分镜列表中勾选需要重做的镜头 → 点击「重生成」→ 输入更具体的画面指令（比如“主角嘴角上扬幅度加大，增加0.3秒停顿”）→ 等待单镜完成 → 返回总览页点击「合成剩余镜头」→ 系统自动补全缺失音轨并做跨镜声场平滑处理。

需要留神的是：重生成镜头后，原锚点会自动迁移至新视频起始帧，但环境音持续时间可能微调，必须检查衔接处是否出现空白或重叠。