PPT 音频融合演讲稿

支持图片、PDF 作为配套材料

⚠️ 触发即响应，不要去找文件

以下任一触发词，skill 激活后 第一句话就是问材料，禁止先去桌面搜索、禁止自行推断路径：

触发词
整理会议录音 / 会议录音整理
录音转文字 / 录音转演讲稿 / 语音转文字 / 音频转文字
语音识别 / 转写录音 / 转写音频
PPT演讲稿 / 演讲复原稿 / 汇报稿 / PPT配音
会议纪要 / 逐字稿 / 文字稿 / 对话转写
录音转PPT / 音频PPT融合 / 图片转讲稿
帮我整理录音 / Whisper转写

---

材料类型判断

收到材料文件后，按扩展名自动识别类型：

类型	扩展名	页面提取方式
PPT	.pptx	python-pptx 提取文字 + LibreOffice/PyMuPDF 截图
PDF	.pdf	PyMuPDF 逐页截图 + 文字提取
图片	.png/.jpg/.jpeg/.gif/.bmp/.webp/.tiff	Pillow 直接读取，每张图 = 一页

多图片按文件名自然排序（01/02/03…）作为页码顺序。

---

流程总览（图）

Rendering diagram...

---

工作流（极简三步）

第一步：先问材料

触发后立即询问，不干别的：

有没有配套材料（PPT / 图片 / PDF）？没有的话我直接转写整理，有的话请上传到对话框。

第二步：收文件，开干

无材料：直接对录音做完整中文转写（Whisper medium），梳理对话脉络、提炼要点。

有材料：用户上传后，自动识别类型（PPT/图片/PDF），转写录音 + 提取材料页面文字和截图。

第三步：选格式，输出

转写完成后：

无材料：

转写完成。要输出什么格式？ A. 结构化会议纪要 Word（议题/结论/待办） B. 纯转写文本 txt 默认选 A。

有材料：

转写完成。要输出什么格式？ A. 演讲复原稿 PDF（上半页叙述，下半页材料页面） B. 纯文字会议纪要 Word C. 纯转写文本 txt 默认选 A。

---

进度反馈

阶段	提示语
触发后	「有没有配套材料（PPT/图片/PDF）？没有我直接转写，有的话传上来。」
转写中	「正在转写，预计 X 分钟...」
转写完	「转写完成，选格式：A/B/C」
生成完	自检结果 + 文件路径

---

模式详细说明

模式 A：演讲复原稿 PDF（需材料）

• 每页上半部分演讲叙述，下半部分材料页面（PPT 幻灯片 / PDF 页面 / 图片）
• 页数严格对齐材料页数（多图按自然排序）
• 自动自检

模式 B：会议纪要 Word

• 会议主题、参会人
• 按议题分段，含讨论要点 + 结论
• 末尾待办清单

模式 C：纯转写文本 txt

• 完整转写，带说话人标记

---

自检

• 转写文本非空、通顺
• 模式 A 额外：PDF 页数 = 材料页数、页面清晰、主题匹配
• 有问题直接修复

---

异常处理

情况	处理
音频格式不支持	提示转为 m4a/mp3/wav
转写质量差	告知用户，建议更清晰录音
材料超 50 页	提醒耗时，确认后继续
只有材料没录音	提示需要录音
不支持的图片格式	提示转为 png/jpg

---

技术执行

环境检查（每次执行前先跑，禁止跳过）

第一步：检查依赖，缺啥装啥。

bash

# 逐个检查，只装缺失的
for pkg in openai-whisper python-pptx Pillow reportlab PyMuPDF python-docx; do
    pip show "$pkg" > /dev/null 2>&1 || pip install "$pkg" 2>&1
done

第二步：检查 ffmpeg（音频预处理用，非必需但有最好）。

bash

which ffmpeg > /dev/null 2>&1 && echo "ffmpeg: OK" || echo "ffmpeg: 未安装，大文件转写可能较慢"

第三步：检查 LibreOffice（PPT 截图优先方案，非必需）。

bash

which soffice > /dev/null 2>&1 && echo "LibreOffice: OK（优先截图方案）" || echo "LibreOffice: 未安装，将使用 python-pptx 降级方案"

检查完成后汇报结果再进入工作流。不重复安装已有的包。

音频转写

python

import whisper
model = whisper.load_model("medium")
result = model.transcribe("录音文件", language="zh")

大文件预处理：ffmpeg -i 录音.m4a -ac 1 -ar 16000 录音_16k.wav

材料页面提取（仅模式 A）

按文件类型自动选择方案：

PPT (.pptx)：优先 LibreOffice — soffice --headless --convert-to pdf 文件.pptx → PyMuPDF 逐页截图；备选 python-pptx + Pillow 手工渲染。

PDF (.pdf)：PyMuPDF 逐页截图 + 文字提取。

图片 (.png/.jpg/...)：Pillow 直接读取，按文件名自然排序作为页码顺序。多张图片直接作为多页材料使用。

PDF 生成（仅模式 A）

ReportLab / fpdf2，A4，叙述在上，材料页面在下

Word 生成（模式 B）

python-docx，标题分级 + 表格待办

---

各平台获取方式

WorkBuddy

对话中说「整理会议录音」「录音转文字」「AI演讲稿融合」即可自动触发。 首次安装：在 WorkBuddy 技能管理 → 通过 URL 导入，填入 https://github.com/fulei223344-lang/ppt-speech-fusion；或直接搜「AI演讲稿融合」「会议录音转写」即可找到并一键安装。

Codex / Cursor / Claude Code / Copilot / Cline / Windsurf

复制本 SKILL.md 全文到项目根目录对应配置文件（.codex.md / .cursor/rules/ / CLAUDE.md / .github/copilot-instructions.md / .clinerules / .windsurfrules）。

---

GitHub: github.com/fulei223344-lang/ppt-speech-fusion SkillHub: skillId=137251---- name: ppt-speech-fusion slug: ppt-speech-fusion displayName: PPT演讲稿 description: 会议录音转写 + PPT 融合演讲复原稿 PDF。支持语音转文字 / 音频转文字 / 录音转写 / 会议纪要 / 逐字稿 / 文字稿 / 对话转写 / 汇报稿 / PPT配音 / 演讲复原稿 / 录音转PPT / 音频PPT融合。说「整理会议录音」「录音转文字」「语音识别」「PPT演讲稿」即可触发；先问有无 PPT，无 PPT 也可立即转写输出会议纪要 Word 或纯文本 txt，有 PPT 则生成逐页对齐演讲复原稿 PDF。基于 OpenAI Whisper 中文转写引擎，输出格式可选 PDF / Word / txt。 version: 2.1.3 author: ethan

⚠️ 触发即响应，不要去找文件

以下任一触发词，skill 激活后 第一句话就是问 PPT，禁止先去桌面搜索、禁止自行推断路径：

触发词
整理会议录音 / 会议录音整理
录音转文字 / 录音转演讲稿 / 语音转文字 / 音频转文字
语音识别 / 转写录音 / 转写音频
PPT演讲稿 / 演讲复原稿 / 汇报稿 / PPTé éŸ³
会议纪要 / 逐字稿 / 文字稿 / 对话转写
录音转PPT / 音频PPT融合
帮我整理录音 / Whisper转写

---

流程总览（图）

Rendering diagram...

---

工作流（极简三步）

第一步：先问 PPT

触发后立即询问，不干别的：

有没有配套 PPT？没有的话我直接转写整理，有的话请上传到对话框。

第二步：收文件，开干

无 PPT：直接对录音做完整中文转写（Whisper medium），梳理对话脉络、提炼要点。

有 PPT：用户上传 PPT 后，转写录音 + 提取 PPT 页面文字和幻灯片截图。

第三步：选格式，输出

转写完成后：

无 PPT：

转写完成。要输出什么格式？ A. 结构化会议纪要 Word（议题/结论/待办） B. 纯转写文本 txt 默认选 A。

有 PPT：

转写完成。要输出什么格式？ A. 演讲复原稿 PDF（上半页叙述，下半页幻灯片） B. 纯文字会议纪要 Word C. 纯转写文本 txt 默认选 A。

---

进度反馈

阶段	提示语
触发后	ã€Œæœ‰æ²¡æœ‰é å¥— PPT？没有我直接转写，有的话传上来。」
转写中	「正在转写，预计 X 分钟...」
转写完	「转写完成，选格式：A/B/C」
生成完	自检结果 + 文件路径

---

模式详细说明

模式 A：演讲复原稿 PDF（需 PPT）

• 每页上半部分演讲叙述，下半部分 PPT 幻灯片截图
• 页数严格对齐 PPT
• 自动自检

模式 B：会议纪要 Word

• 会议主题、参会人
• 按议题分段，含讨论要点 + 结论
• 末尾待办清单

模式 C：纯转写文本 txt

• 完整转写，带说话人标记

---

自检

• 转写文本非空、通顺
• 模式 A 额外：PDF 页数 = PPT 页数、幻灯片清晰、主题匹配
• 有问题直接修复

---

异常处理

æƒ å†µ	处理
音频格式不支持	提示转为 m4a/mp3/wav
转写质量差	å‘ŠçŸ¥ç”¨æˆ·ï¼Œå»ºè®®æ›´æ¸ æ™°å½•éŸ³
PPT è¶ 50 页	提醒耗时，确认后继续
只有 PPT 没录音	提示需要录音

---

技术执行

环境检查（每次执行前先跑，禁止跳过）

第一步：检查依赖，缺啥装啥。

bash

# 逐个检查，只装缺失的
for pkg in openai-whisper python-pptx Pillow reportlab PyMuPDF python-docx; do
    pip show "$pkg" > /dev/null 2>&1 || pip install "$pkg" 2>&1
done

第二步：检查 ffmpeg（音频预处理用，非必需但有最好）。

bash

which ffmpeg > /dev/null 2>&1 && echo "ffmpeg: OK" || echo "ffmpeg: 未安装，大文件转写可能较慢"

第三步：检查 LibreOffice（PPT 截图优先方案，非必需）。

bash

which soffice > /dev/null 2>&1 && echo "LibreOffice: OK（优先截图方案）" || echo "LibreOffice: 未安装，将使用 python-pptx 降级方案"

检查完成后汇报结果再进入工作流。不重复安装已有的包。

音频转写

python

import whisper
model = whisper.load_model("medium")
result = model.transcribe("录音文件", language="zh")

大文件预处理：ffmpeg -i 录音.m4a -ac 1 -ar 16000 录音_16k.wav

PPT 截图（仅模式 A）

优先 LibreOffice：soffice --headless --convert-to pdf 文件.pptx → PyMuPDF 逐页截图 备选 python-pptx + Pillow 手工渲染

PDF 生成（仅模式 A）

ReportLab / fpdf2，A4，叙述在上，截图在下

Word 生成（模式 B）

python-docx，标题分级 + 表格待办

---

各平台获取方式

WorkBuddy

对话中说「整理会议录音」「录音转文字」「PPT演讲稿」即可自动触发。 首次安装：在 WorkBuddy 技能管理 → 通过 URL 导入，填入 https://github.com/fulei223344-lang/ppt-speech-fusion；或直接搜「PPT演讲稿」「会议录音转写」即可找到并一键安装。

Codex / Cursor / Claude Code / Copilot / Cline / Windsurf

复制本 SKILL.md 全文到项目根目录对应配置文件（.codex.md / .cursor/rules/ / CLAUDE.md / .github/copilot-instructions.md / .clinerules / .windsurfrules）。

---

GitHub: github.com/fulei223344-lang/ppt-speech-fusion SkillHub: skillId=137251