ningzimu/image-to-editable-ppt-skill

解決する課題

このプロジェクトは、静的な画像、PDF、または画像ベースのPowerPointプレゼンテーションを、完全に編集可能な .pptx ファイルに変換する方法を提供します。スライドが実質的に単なる画像であるために、テキストの更新、要素の移動、レイアウトの変更が困難で、ゼロから作り直さなければならないという問題を解決します。

仕組み

このツールは、入力ファイルをページごとのタスクに正規化します。その後、AIエージェント（メインエージェントとページワーカー）とツールを組み合わせてスライドを再構築します：

• テキスト復元： OCR（特に PaddleOCR-VL）を使用して、テキストの内容、フォントサイズ、座標を正確に特定し、ネイティブな PowerPoint テキストボックスとして復元します。
• 図形の再構築： 単純な幾何学的図形は、ネイティブな PowerPoint の図形に変換されます。
• 視覚的アセット： 複雑な視覚要素は独立した画像アセットとして抽出されます。多くの場合、画像生成および編集ツール（Codex 内蔵の image_gen や OpenAI 互換 API など）を使用して前景要素を分離します。
• 並列処理： 複数ページのドキュメントの場合、メインエージェントがタスクをサブエージェント（ページワーカー）に分配し、ページを並列で処理します。
• 最終組み立て： 各ページの情報を収集し、最終的な順序付けられた .pptx ファイルに組み立てます。その際、元のスライドノートも保持されます。

対象ユーザー

編集不可能なスライドコンテンツ（スクリーンショットやPDFエクスポートなど）を、さらなる修正のために編集可能な PowerPoint プレゼンテーションに変換する必要があるユーザー、またはテキストを編集可能な状態に保ちながら視覚的なデザインを再現したいデザイナー向けです。

ハイライト

• マルチフォーマット対応： 単一画像、複数画像、PDF、画像ベースの PPTX ファイルを処理します。
• コードによる再構築： 単に画像を配置するのではなく、ネイティブな PowerPoint の表、曲線、破線、矢印を復元します。
• 測定駆動型： OCR 駆動の測定を使用して、正確なテキスト配置とサイズ調整を行います。
• ハイブリッド戦略： 複雑なページに対して、編集可能なテキスト、ネイティブな図形、独立した画像アセットを組み合わせて使用します。
• 並列ワークフロー： サブエージェントによる並列ページ処理をサポートし、大規模なデッキの変換を高速化します。