ningzimu/image-to-editable-ppt-skill

概要

画像、PDF、画像PPTを編集可能なPowerPointファイルに変換するスキルです。まず入力をページごとの作業に正規化し、その後.pptxに再構築します。読みやすいテキストはできるだけネイティブテキストボックスに復元され、単純なジオメトリはできるだけ形PowerPoint復元され、複雑な視覚要素は独立した画像アセットとして保持され、ソースレコードを提供します。 スクリーンショットや画像スタイルのスライドを、テキストやシンプルな形状、視覚素材をできるだけ個別に調整できるPPTに変換するのに理想的です。 このスキルは長時間の実行時間を持ち、OCR、画像生成・編集、ファイルの読み書き、サブエージェントのディスパッチ、長いポーリングステップを自動的に実行します。「承認リクエスト」モードは実行を頻繁に中断し、特にサブエージェント環境では一部のステップをブロックすることがあります。「承認」モードはOCR、ChatGPT画像生成・編集、またはサードパーティAPI呼び出し段階でリクエストを傍受し、手動承認が必要なことが知られています。コンピューターの近くにいなければ、変換プロセスは停止します。変換中、このスキルはBaiduのPaddleOCR-VLインターフェース(トークン設定済みの場合)を自動的に呼び出してページのテキストボックス、フォントサイズ、フォントサイズのグループ化を修正し、またChatGPTのgpt-image-2画像生成/編集インターフェースを呼び出し、前面背景の分離、アイコン/視覚素材の抽出、部分的な画像復元を行います。これらの呼び出しは画像ページを編集可能なPPTに再構築するための必要なステップです。 現在、Skillは軽量コンバーターではなく、複雑なプロセス制御を伴うマルチエージェント協働復元プロセスを使用しています。AIは「」ループを実行し、結果が元のものに十分近いと判断するまで何度も反復します。このプロセスではページワーカーが非常に難しい移動を行うことがあり、全体的にトークンを消費します。10ページのPPTを復元すると、5時間分のクレジットを消費することがあります。1枚のPPTスライドの回復時間は10分を超えることがあります。シングルページまたはシングル画像の入力は、同じページ再構築プロセスに従ってメインエージェントがローカルで実行できます。マルチページ入力は同時スロットに応じてページワーカーに割り当てられます。より軽い方法としては、gpt-image-2の画像編集機能を直接利用する方法があります。満足できないPPT画像を送信し、それに応じて修正してもらい、修正された画像を返すという方法です。 このスキルは記事、レポート、アウトライン、アイデアから新しいPPTを直接生成するわけではありません。「PPTを生成する」ことが目標であれば、codex-ppt-skillを使うことができます。codex-pptおよび画像から編集可能なpptスキルへの詳細な紹介については、skill_duo_intro.pdfを参照してください。

概要（AI 翻訳）

このページは AI により自動翻訳されています。技術的な詳細は原文をご確認ください。

推奨ツール

別のキーワードを試すか、フィルタを外してください。

インストール