ppt-to-speech（PPT 转语音）

将 PPTX 文件的每页标题、正文、演讲者备注提取为结构化数据，生成每页缩略图，最终由你（Agent）结合文字内容与缩略图，撰写一篇连贯、有感染力的 Markdown 演讲稿。

输入：用户提供的 PPTX 文件路径 —— $ARGUMENTS

第一步：安装 Python 依赖

首次使用前执行（已安装可跳过）：

pip install python-pptx pdf2image Pillow requests

LibreOffice 和 Poppler 由脚本自动检测并下载，无需手动安装。

依赖说明

本技能需要 LibreOffice 和 poppler-utils 来解析 PPT 并生成缩略图。

首次运行时，脚本会自动：

• 从阿里云镜像下载 LibreOffice（约 300 MB）并解压到 ~/.cache/ppt_skill/
• 从 GitHub 下载 poppler 预编译包（约 50 MB）并解压到 ~/.claude/skills/ppt-to-speech/bin/
• 将上述路径临时添加到当前进程的 PATH

网络访问：仅用于下载上述依赖，所有下载源均为可信镜像。

权限要求：

• Windows：无需管理员权限（使用便携式提取）
• Linux：若系统中未安装 poppler-utils，脚本会尝试通过 apt/yum 等包管理器安装，可能需要 sudo 权限；若无法获取 sudo，会提示手动安装。

如您不希望自动下载，可提前手动安装 LibreOffice 和 poppler-utils，并确保 soffice 和 pdfinfo 命令在 PATH 中。

第二步：提取内容与生成缩略图

运行脚本，提取 PPT 结构化内容并生成每页缩略图：

python scripts/extractor_ppt.py "$ARGUMENTS"

脚本完成后，输出文件位于与输入文件同目录：

• <文件名>.md —— 结构化文本（标题 / 正文 / 备注的原始拼接）
• <文件名>_thumbnails/page_001.png … —— 每页缩略图

第三步：由 Agent 撰写演讲稿

脚本只做机械提取，真正的演讲稿由你来写。

3.1 读取提取结果

用 Read 工具读取上一步生成的 .md 文件，获取每页的标题、正文和演讲者备注。

3.2 查看缩略图

用 Read 工具依次查看 _thumbnails/ 目录中的 PNG 图片，理解每页的视觉布局、图表和设计重点，补充纯文字无法传达的信息。

3.3 撰写演讲稿

基于以上内容，按如下要求撰写演讲稿：

结构要求

• 全文分章节，章节标题对应 PPT 的逻辑段落（不必与页码一一对应）
• 每个章节开头插入对应页缩略图：![第N页](相对路径/page_00N.png)
• 以引言开场、以行动号召收尾

写作要求

• 语言风格：使用口语化但精炼的演讲语言，避免照抄 bullet points。把要点展开成完整句子，必要时用比喻、类比、设问增强感染力。
• 数据与案例：PPT 中的数据、案例、引述必须完整保留，并用口语化方式解释其意义，这是演讲的血肉。
• 备注融入：如有演讲者备注（通常在 .md 文件中有单独标记），将其自然融入正文，作为强调或补充说明。
• 避免逐页罗列：严禁出现“第1页：……；第2页：……”这样的流水账。而是提炼出核心信息，按逻辑重组。

图文要求

• 结合缩略图中观察到的视觉信息（图表趋势、配色重点、布局层级）进行解读
• 不要只复述文字，要说明"这张图想说明什么"
• 在文字描述前或后插入对应的缩略图引用，使读者图文并茂

3.4 写入输出文件

用 Write 工具将最终演讲稿覆盖写入第二步生成的 .md 文件，完成替换。

输出规范

所有产物统一放在一个文件夹内：

输出文件夹名称：<输入文件名（不含扩展名）>_output，位于输入文件同目录或用户指定位置。

处理完成后，必须：

1. 将 <文件名>.md 和 <文件名>_thumbnails/打包发给用户
2. 将整个压缩包发送给用户
3. 不能只发送单个 .md 文件

注意事项

• 仅支持 .pptx 格式，不支持旧版 .ppt
• 第三步完全由 Agent 自身完成，无需配置任何外部 API Key
• 首次运行第二步时会自动下载 LibreOffice（体积较大），请保持网络畅通
• 缩略图路径在 .md 中使用相对路径，确保文件移动后图片仍可显示

示例文件（./examples/sample_speech.md）