幻灯片转视频转换器

端到端完整流程：将含演讲者备注的 PPT/PPTX/PDF 幻灯片自动转换为高质量、带语音旁白与自动同步字幕的 MP4 视频。

架构

三阶段流水线（含音频校验）

第一阶段：音频生成与校验
┌─────────────────────────────────────────────────────────┐
│ PPTX/PDF → 图像（PNG）                                   │
│ 文稿 → TTS → 音频 → STT 校验 → 已校验音频                 │
└─────────────────────────────────────────────────────────┘

第二阶段：单页视频合成
┌─────────────────────────────────────────────────────────┐
│ 图像 + 已校验音频 + 字幕 → 单页 MP4                      │
└─────────────────────────────────────────────────────────┘

第三阶段：最终视频组装
┌─────────────────────────────────────────────────────────┐
│ 合并全部幻灯片视频 → final.mp4                          │
└─────────────────────────────────────────────────────────┘

TTS 模式支持

• Edge TTS（默认）：免费在线 API，无需本地模型
• Qwen3-TTS：本地 GPU 加速（Apple Silicon）
• HTTP Service：独立 TTS 服务，支持多客户端调用

PPTX 支持

• PPTX → PDF → PNG：采用 LibreOffice 进行优化转换，确保最高画质
• 备用方法：当 LibreOffice 不可用时，使用 python-pptx 进行转换
• 自动检测：若未提供 PDF，则自动启用 PPTX 转换

工作流

步骤 1：准备输入

需用户提供以下两类输入：

1. 幻灯片文件：PPT/PPTX 或 PDF。支持 PPTX 自动转换：

   • PPTX：使用 LibreOffice 进行高质量转换（推荐）
   • PDF：通过 pdf2image 直接转换
   • 自动检测：若未提供 PDF，则自动选用 PPTX

2. 演讲者备注：一个 JSON 文件，按页提供旁白文本。格式要求详见 references/script-format.md。

步骤 2：安装依赖项

# 系统级依赖
brew install poppler ffmpeg libreoffice   # macOS（添加 libreoffice 以支持 PPTX）
# apt install poppler-utils ffmpeg libreoffice   # Linux

# Python 依赖
pip install -U mlx-audio soundfile numpy edge-tts pdf2image Pillow moviepy python-pptx

# 可选：HTTP 服务依赖
pip install fastapi uvicorn python-multipart

步骤 3：运行流水线（默认：Edge TTS）

默认模式：Edge TTS —— 免费在线 API（推荐用于全平台兼容性）

python scripts/pipeline.py

PPTX 支持选项：

# 使用 PPTX 文件（当 PDF 和 PPTX 均存在时）
python scripts/pipeline.py --use-pptx

# 强制使用 PPTX 转换（即使 PDF 存在）
python scripts/pipeline.py --use-pptx --force-audio

# 使用备用方法进行 PPTX 转换（无需 LibreOffice）
python scripts/pipeline.py --use-pptx --fallback

其他 TTS 模式：

Edge TTS —— 免费在线 API，无需本地模型（默认）

python scripts/pipeline.py --tts-edge

HTTP Service —— 独立 TTS 服务，支持多客户端并发调用

# 启动 TTS 服务端
python scripts/tts_server.py &
# 运行流水线
python scripts/pipeline.py --tts-http

Qwen3-TTS —— 本地 GPU 加速

python scripts/pipeline.py --tts-direct

步骤 4：运行流水线

# 完整流水线（含音频校验）
python scripts/pipeline.py

# 仅处理指定幻灯片（如第 1–5 页）
python scripts/pipeline.py --slides 1-5

# 快速预览模式（降低画质，加快处理速度）
python scripts/pipeline.py --fast

# 跳过图像生成（复用已有图像）
python scripts/pipeline.py --skip-images

# 强制重新生成音频
python scripts/pipeline.py --force-audio

# 跳过音频校验（直接使用现有音频）
python scripts/pipeline.py --skip-validation

# 自定义校验阈值
python scripts/pipeline.py --threshold 0.7 --max-retries 3

步骤 5：自定义配置

编辑 config.json 文件可调整以下参数：

• Edge TTS：语音、语速、音量
• 视频：帧率（fps）、编码器（codec）
• 图像：DPI、分辨率
• 字幕：字体、字号、颜色、位置

可用 TTS 语音列表

Edge TTS 语音（默认 —— 在线 API）

Edge TTS 中文语音（在线 API）

列出全部 Edge 语音：edge-tts --list-voices | grep zh-CN

关键设计决策

• 三种 TTS 模式：支持 Qwen3-TTS（本地 GPU）、Edge TTS（在线）和 HTTP 服务 —— 适配不同使用场景
• 音频校验流水线：基于 STT 的质量控制，确保 TTS 输出与原始文本一致（支持配置校验阈值）
• 逐页处理：每页幻灯片独立生成音频/视频，支持局部重生成与并行处理
• 智能字幕同步：按句子边界切分文本，并依据字符数比例分配时间戳
• 零重编码合并：使用 FFmpeg concat demuxer 快速组装视频，无画质损失
• GPU 加速：支持 Apple Silicon Metal，实现快速本地 TTS 推理（约每页 3 秒）
• 质量控制：多阶段校验，包括时长检查、静音音频检测及相似度评分

资源目录说明

本技能包含示例资源目录，展示如何组织不同类型打包资源：

scripts/

可直接执行的代码（Python/Bash 等），用于完成特定操作。

其他技能中的示例：

• PDF 技能：fill_fillable_fields.py、extract_form_field_info.py —— PDF 处理工具
• DOCX 技能：document.py、utilities.py —— 文档处理 Python 模块

适用场景：Python 脚本、Shell 脚本或任何用于自动化、数据处理或特定任务的可执行代码。

注意：脚本可在不加载至上下文的情况下直接执行，但仍可被 Claude 读取，用于补丁修复或环境适配。

references/

文档与参考材料，旨在加载至上下文中，以指导 Claude 的推理与处理过程。

其他技能中的示例：

• 产品管理：communication.md、context_building.md —— 详细工作流指南
• BigQuery：API 参考文档与查询示例
• 金融：schema 文档、公司政策

适用场景：深度文档、API 参考、数据库 schema、综合指南，或任何 Claude 在工作中需引用的详细信息。

assets/

不用于加载至上下文，而是嵌入于 Claude 输出结果中的文件。

其他技能中的示例：

• 品牌规范：PowerPoint 模板文件（.pptx）、Logo 文件
• 前端构建：HTML/React 脚手架项目目录
• 排版：字体文件（.ttf、.woff2）

适用场景：模板、脚手架代码、文档模板、图片、图标、字体，或任何需复制或嵌入最终输出的文件。

任何不需要的目录均可删除。 并非所有技能都需要全部三类资源。