ninehills/ppt-tts-script

PPT 演示文档 → 拟人化逐字稿

将演示文档（PPT/PPTX/PDF）通过五阶段流水线转换为口语化逐字稿，同时输出 Markdown、JSON 和带备注的 PPTX 三种产物，适用于语音合成、演讲练习和内容二次加工。

第零步：依赖检查

在做任何事之前，先运行依赖检查脚本。这个脚本会验证所有必需工具是否已安装——缺少任何一个都会导致后续步骤失败，所以必须在开头就拦住。

python3 scripts/check_deps.py

如果脚本报告缺失依赖，将错误信息展示给用户并停止。不要尝试自动安装——让用户决定如何处理。

关于 Gemini CLI：manuscript-generator 步骤优先使用 gemini 命令行工具生成高质量口语化内容。如果 Gemini CLI 未安装，第三步会自动检测当前模型是否具备图片输入能力：

• 具备图片能力 → 用 subagent 直接读取幻灯片图片 + 文字生成逐字稿（质量接近 Gemini 方案）
• 不具备图片能力 → 发出警告并中止执行，提示用户安装 Gemini CLI 或切换到支持视觉的模型

工作目录

让用户指定一个输出目录 <output_dir>（默认为当前目录下的 output/），按以下结构组织：

<output_dir>/
├── 00_input/           # 用户提供的原始演示文档
├── 01_materials/       # 提取的 PNG 图片 + Markdown 文字
├── 02_outline/         # 演讲大纲 outline.json
├── 03_manuscript/      # 分节逐字稿 + manuscript.json
└── 04_final/           # 最终合并输出
    ├── output.md       # Markdown 格式
    ├── output.json     # JSON 格式
    └── presentation.pptx  # 带逐字稿备注的 PPTX

将用户的演示文档复制到 00_input/。

流水线总览

[输入 PPT] → ① 素材提取 → ② 大纲生成 → ③ 逐字稿 → ④ 合并输出 → ⑤ 备注回写
                  ↓              ↓            ↓            ↓            ↓
              验证素材        验证大纲      验证稿件      验证终稿    验证 PPTX

每一步完成后都有验证环节。验证通过才进入下一步——这不是走形式，而是因为下游步骤严重依赖上游输出的正确性（比如缺失的 PAGE 标记会导致合并输出混乱）。

第一步：素材提取（material-splitter）

目标：将演示文档拆分为每页一张 PNG 图片和一个 Markdown 文字文件。

执行：

# 1. 提取文字和演讲者备注
python3 scripts/extract_ppt.py <pptx_path> <output_dir>/01_materials/

# 2. PPTX → PDF
soffice --headless --convert-to pdf <pptx_path> --outdir <output_dir>/01_materials/

# 3. PDF → PNG（每页一张）
pdftoppm -png -r 150 <output_dir>/01_materials/*.pdf <output_dir>/01_materials/slide

注意 pdftoppm 输出的文件名格式是 slide-01.png、slide-02.png 等。如果与 extract_ppt.py 的编号不一致（比如 slide-1.png vs slide-01.png），需要重命名以统一为两位数零填充格式。

完成后生成 01_materials/index.json 素材索引。详细格式见 references/material-splitter.md。

验证：

python3 scripts/validate_output.py <output_dir> --step 1

验证要点：

• PNG 文件数量 = MD 文件数量 = 演示文档总页数
• index.json 存在且 JSON 合法
• 每页都有对应的 PNG 和 MD 文件

第二步：大纲生成（outline-generator）

目标：分析素材内容，生成层次化的演讲大纲（节划分、时间线、风格提示）。

执行：读取所有 slide-XX.md 文件，分析内容结构，生成 02_outline/outline.json。

这一步由模型自身完成，不需要外部工具。阅读 references/outline-generator.md 获取详细的大纲结构规范和分析方法。

核心规则：

• 每节 3-15 页，边界通常在过渡页/章节页之后
• 根据内容类型选择风格提示（产品发布→热情自信，学术报告→严谨清晰，等等）
• 按 150-200 字/分钟估算时长

验证：

python3 scripts/validate_output.py <output_dir> --step 2

验证要点：

• outline.json 存在且 JSON 合法
• 所有页面都已被分配到某个节（无遗漏）
• 页码范围连续无重叠
• 每节都有 style_hint

第三步：逐字稿生成（manuscript-generator）

目标：按节生成口语化的逐字稿，每页以 [PAGE:N] 标记分隔。

执行：这是最核心也最耗时的步骤。用 Gemini CLI 为每个节生成逐字稿——Gemini 能同时理解幻灯片图片和文字内容，生成更贴合视觉内容的口语化表述。

读取 references/manuscript-generator.md 获取完整的 Gemini 调用模板和并发处理方法。

如果有多个节，可以通过 subagent 并发生成各节内容。每个 subagent：

1. 读取该节对应的 slide-XX.md 和 slide-XX.png
2. 调用 Gemini CLI 生成逐字稿
3. 保存为 03_manuscript/section-XX.md

全部完成后，生成 03_manuscript/manuscript.json 索引。

降级策略：如果 Gemini CLI 不可用，先检测当前模型的图片输入能力（尝试用 read 工具读取一张 slide PNG 并描述内容）。如果模型可以理解图片，则用 subagent 直接读图 + 读文生成逐字稿；如果不能，则警告用户并中止。详见 references/manuscript-generator.md 中的「模型自身生成」章节。

验证：

python3 scripts/validate_output.py <output_dir> --step 3

验证要点：

• 每个节都有对应的 section-XX.md 文件
• 每个 section 文件中包含正确的 [PAGE:N] 标记
• 页码范围与 outline.json 一致
• manuscript.json 索引完整
• 不包含控制指令：无（语速放慢）、（停顿）、[强调]等非朗读内容

第四步：合并输出（report-merger）

目标：将分节逐字稿合并为完整文档，同时输出 Markdown 和 JSON 两种格式。

执行：读取 references/report-merger.md 获取两种格式的完整规范。

两种输出格式各有用途：

• Markdown (output.md)：人类可读，适合直接朗读、打印和审阅
• JSON (output.json)：机器可读，适合 TTS 引擎、字幕生成、二次编辑等程序化消费

合并步骤：

1. 读取大纲获取结构
2. 逐节读取 section-XX.md，按 [PAGE:N] 标记解析出每页内容
3. 统计元信息（总页数、总字数、预计时长）
4. 分别写入 04_final/output.md 和 04_final/output.json

验证：

python3 scripts/validate_output.py <output_dir> --step 4

验证要点：

• output.md 和 output.json 均存在且非空
• 包含所有页面的内容
• JSON 结构合法且字段完整
• Markdown 和 JSON 的页面数、字数一致

第五步：备注回写（notes-injector）

目标：将每页逐字稿内容写入原始 PPTX 文件的演讲者备注，方便演讲者在放映时直接参考。

这一步只对 PPTX 输入有效。如果输入是 PDF，跳过此步。

执行：

python3 scripts/inject_notes.py \
  <output_dir>/00_input/<原始文件>.pptx \
  <output_dir>/04_final/output.json \
  <output_dir>/04_final/presentation.pptx

脚本的工作方式：

1. 用 python-pptx 打开原始 PPTX
2. 读取 output.json 获取每页的逐字稿内容
3. 对每个幻灯片，将逐字稿追加到现有演讲者备注末尾，格式为 <manuscript>内容</manuscript>
4. 如果该页已有 <manuscript> 块则跳过（幂等性）
5. 保存为新文件到 04_final/presentation.pptx

不修改原始文件。不覆盖已有备注——始终追加。

验证：

python3 scripts/validate_output.py <output_dir> --step 5

验证要点：

• presentation.pptx 存在且可打开
• 有逐字稿内容的页面，其备注中包含 <manuscript> 标记
• <manuscript> 块数量与 output.json 中的页面数一致
• 原有备注内容未被覆盖

用户交互点

在以下节点暂停，等待用户确认后再继续：

1. 依赖检查后：报告环境状态
2. 大纲生成后（第二步完成）：展示节结构给用户审核，这决定了后续所有步骤的组织方式
3. 最终输出后：展示结果摘要（含 PPTX 备注回写状态）

用户可以在任意步骤要求调整。常见需求：

• 调整节的划分方式
• 修改语速（快速 200字/分、中等 180字/分、慢速 150字/分）
• 指定整体风格偏好
• 对特定页面的逐字稿提出修改意见

脚本说明

所有脚本路径相对于本 skill 目录：

| 脚本 | 用途 | |------|------| | scripts/check_deps.py | 检查所有依赖是否已安装 | | scripts/extract_ppt.py | 从 PPTX 提取文字和演讲者备注 | | scripts/gemini-task.sh | 带超时的 Gemini CLI 调用封装 | | scripts/validate_output.py | 各步骤输出验证（步骤 1-5） | | scripts/inject_notes.py | 将逐字稿注入 PPTX 演讲者备注 |

参考文档

详细的子代理指令和格式规范在 references/ 目录：

| 文件 | 内容 | 何时读取 | |------|------|----------| | references/material-splitter.md | 素材提取详细流程和 index.json 格式 | 执行第一步时 | | references/outline-generator.md | 大纲分析方法和 outline.json 完整 schema | 执行第二步时 | | references/manuscript-generator.md | Gemini CLI 调用模板、并发策略、降级方案 | 执行第三步时 | | references/report-merger.md | 最终输出的 Markdown 和 JSON 双格式规范 | 执行第四步时 |

第五步（备注回写）无需单独参考文档——scripts/inject_notes.py 脚本处理全部逻辑，SKILL.md 中的说明已足够。