技能介绍

要解决的问题

一份技术培训 PPT 躺在硬盘里，并不等于一场可分发的培训。真正要交付的是 MP4：有口播、有字幕、画面与讲解严格对齐。手工做这件事的工作量集中在几个不起眼的环节：每页的讲解稿怎么写、插图页面的内容怎么确认、配音怎么批量生成并断点续跑、字幕如何拆分才不会糊满半屏。这个 skill 把这条链路串成一条命令行流水线，输入 .pptx，输出 1920×1080 的 MP4。

核心能力与关键步骤

幻灯片导出：通过 PowerShell COM 调用 PowerPoint 导出高清 PNG，分辨率与成片一致，避免二次缩放失真。

旁白生成（最关键环节）：旁白不是把 PPT 原文念一遍，而是对页面要点做口语化转述与 1-2 句补充，可以串联流程图和数据，但不能引入 PPT 之外的主题、人名、数据或案例。术语以 PPT 的表述为准。旁白写入 narration.json，其中 text 用于字幕显示，可选的 tts_text 交给发音规范化引擎处理路径、术语、数字与数学符号。

批量 TTS：双引擎设计。qwen3-tts 本地运行，支持声音克隆与 9 种预设音色；edge-tts 在线备用。具备进程锁、断点续传、单句重生成与发音规范化。

字幕与合成：从音频文件精确取时长生成 SRT，同时产出 ASS 供排版。合成采用内存友好的两步法：逐段生成 slide clip 再合并，字幕支持 burn（硬字幕）、soft（mov_text 软字幕）与 both 三种模式。编码参数如 44100 Hz 采样率与立体声是音画同步与音质的硬指标，不可回退。

适用边界与注意点

图片页必须人工识别：含截图/流程图的页面需导出 PNG 逐张查看后再写旁白，无法识别就暂停并报告，严禁依据标题脑补内容。
发现偏离即整批重做：抽样检查任一页旁白跑题，不是局部修改，而是停止并重新生成。
平台与环境：导出依赖 Windows 上的 Office COM 调用；ffmpeg、TTS 模型、pip 依赖需一次性配齐，仓库提供环境自检脚本与国内镜像指引。
适合培训课件、内部知识分享这类以幻灯片内容为唯一信息源的场景；期望加入 PPT 之外的即兴发挥时，它不会配合。