AI演讲稿融合

要解决的问题

把一场汇报的录音整理成文档，往往要在两套材料之间来回切换：一边听录音、做转写，一边翻 PPT 或 PDF 对页码、找配图，最后再手动把文字和画面拼在一起。当录音有几十分钟、材料有几十页时，这套重复劳动既耗时又容易出错，段落和画面错位的情况并不少见。

核心能力与工作流

@user_80bd7a53/ppt-speech-fusion 把这件事拆成三步：

1. 触发即询问材料。识别到 整理会议录音、录音转文字、PPT演讲稿、会议纪要 等触发词后，先问有没有配套的 PPT / 图片 / PDF，不会自行去本地搜索文件。
2. 转写 + 提取。音频走 Whisper medium 做中文转写；材料按扩展名分流——.pptx 用 python-pptx 提取文字、优先用 LibreOffice 转 PDF 再截图，.pdf 走 PyMuPDF 逐页截图并提取文字，图片由 Pillow 读取，多张图片按文件名自然排序作为页码顺序。
3. 选格式输出。没有材料时可选结构化会议纪要 Word 或纯转写 txt；有材料时可生成演讲复原稿 PDF——上半页是演讲叙述，下半页是对应材料页面，页数与材料严格对齐，生成后自动自检页数、清晰度和主题匹配，异常直接修复。

适用边界与注意点

• 转写质量依赖录音清晰度；底噪大、多人抢话时效果会明显下降，建议先获得更干净的音源。
• 目前只支持 m4a、mp3、wav 等常见音频格式，其他格式需先转码；图片也仅支持 png、jpg 等常规格式。
• 材料超过 50 页会先提醒耗时，需要确认后继续。
• 运行环境需具备相应依赖：LibreOffice 与 ffmpeg 是推荐项，ReportLab / fpdf2、python-docx 等则分别服务于 PDF 和 Word 输出。
• 只有材料、没有录音时无法工作，技能会提示补录音。

整体来看，它适合「有录音、有配套页面材料」的汇报、演讲和会议场景；如果要处理无固定画面的纯讨论录音，直接用转写或纪要模式即可，不必走 PDF 融合流程。