想要在 Pa vo 平台上，将数字人与 AI 配音无缝整合到一条短视频中，避免卡顿、口型错位、音画不同步等问题？关键在于：数字人开口说话的节奏必须与配音文本精准咬合，而不是简单地把语音文件拖进去，再手工对时间轴。这是一个根本性的思路差异，也是许多人在实战中反复踩坑的地方。

创建数字分身并绑定音色

打开 Pa vo 桌面端（v2.8.3 及以上版本），登录后点击「AI 演播室」→ 选择「新建数字人」→ 上传一段 1 分钟内、无背景噪音、语速平稳的本人录音。手机直接录制完全足够，但有一个容易被忽略的细节：录音中必须包含“啊、哦、嗯”这类自然停顿词，否则系统在复刻音色时，会丢失语气中那些细微的弹性——最终呈现出的声音，听起来会非常“平”。

3 秒内，系统就能生成声纹模型，并自动匹配讯飞 TTS 音库中 5 个最接近的发音人。点击「试听对比」，选中合适的音色后，务必勾选「启用唇形同步驱动」——这一步如果跳过，后续所有视频的口型都会漂移，后期调整的成本极高。

输入文案，触发双轨生成

在「脚本输入区」粘贴完整台词，比如：“大家好，我是李工。今天教你怎么用 Pa vo 一键生成带字幕的培训视频——注意看第三步，这里最容易出错。”

点击「生成数字人视频」，Pa vo 会同时启动两套引擎：Agnes-Video-2.0 负责驱动数字人的面部微动和眨眼节奏，而 Agnes-2.0-Flash 实时解析每句语义，并拆解为语音帧、口型帧和手势锚点。两套逻辑并行运转，互不干扰。

生成结果页会自动弹出三栏预览：左侧是数字人动作流，中间是语音波形图，右侧是唇形关键帧序列。波形图上每个峰值都对应着一个口型帧，峰值与帧之间的偏移如果超过 0.12 秒，系统就会判定为不同步。0.12 秒的偏差，听起来不多，但足以让观众觉得你在唱双簧。遇到这种情况，正确的做法是返回修改文案的断句，而不是手动去拖动时间轴——后者只会越调越乱。

微调口型与语气停顿

如果预览时发现某些地方不够自然，有两种微调方式。

第一种：在波形图下方点击某句台词，弹出「韵律编辑器」，拖动「停顿强度」滑块至“中等”，系统会自动在“——”“。”“？”后插入 0.3 秒的呼吸间隙，并同步调整数字人闭唇的时长。这个功能对于处理长句尤其有用，能让说话节奏更接近真人。

第二种：鼠标悬停在唇形帧缩略图上，会出现「强制口型」按钮。点击后选择“/m/”“/f/”“/b/”等爆破音帧，可以修正“视频里张嘴却没声音”的典型错位问题。这种问题通常出现在声母发音与口型帧的匹配细节上，手动修正几下就能解决。

需要注意：如果原文案中包含英文单词或数字串，比如“API接口”“2026年”，必须在这些词前后加空格，否则数字人的口型会连读失真。这一点在前期写文案时就有意识地处理好，可以省去后期不少麻烦。

导出带嵌入字幕的成片

第一步：点击右上角「合成设置」→ 勾选「硬字幕嵌入」→ 字体建议选择“思源黑体 Medium”，字号设为画面高度的 4.2%。这个比例在各种屏幕上看起来都比较舒适，不会太挤也不会太显眼。

第二步：在「音频输出」选项中关闭“原始音轨”，只保留「数字人合成音轨」。Pa vo 会自动将 TTS 语音与数字人唇动帧对齐后封装进视频流，不产生额外音频轨道。这一步的意义在于，导出的文件就是一个干净的单轨视频，播放时不会有任何音画延迟，字幕与语音严格同步。

第三步：点击「导出 MP4」→ 选择 H.264 编码 → 等待大约 90 秒 → 下载的文件可以直接使用。播放时，既没有音画延迟，也没有字幕错位，整个流程才算真正跑通。