工具

PPT Master:AI 生成真正可编辑的原生 PPTX,不只是 HTML 截图

48k stars 的开源项目,用 python-pptx 直接产出原生 .pptx,每一页都是可编辑 Shape、图表、动画和母版,并能把 TTS 旁白塞进演讲者备注。

字号

PPT Master:AI 生成真正可编辑的原生 PPTX,不只是 HTML 截图

打开 GitHub Trending 的时候刷到这个项目,第一反应是又一个 AI 生成 PPT 的工具。再往下翻 README,翻 docs/ 目录里的工程笔记,才意识到这个项目思路不一样——它不是把 HTML 截图塞进 zip,而是用 python-pptx 写真正的 .pptx。

48,152 stars,Python 写的,MIT 协议。赞助商里有 Kimi(主推 K3),还有 PackyCode、APIKEY.FUN、RunAPI、优云智算——这个赞助结构看着像国内开源项目熟悉的味道。

下面是我跑通 pipeline 之后的实际体验和拆解。

它解决什么问题

市面上一堆 AI PPT 工具(Gamma、Beautiful.ai、各种浏览器插件)输出的本质是什么?要么是 HTML 渲染再打包,要么是图片合集。落到 PowerPoint 里打开,每一页都是一张图,字不能改、图不能换、母版改不动。

这种"导出物"在 PowerPoint 里就死了。

PPT Master 的切入点是反过来的:把 PPTX 当作目标产物。从大纲开始,到每一页的内容,全部用 python-pptx 写真正的 Shape、Chart、Table、SlideLayout。用户拿到的文件,在 PowerPoint 里双击就能改字、换图、调母版。

这个差异听上去小,实际差很远。一个可编辑的 PPTX 可以塞进公司的 CI 流程,可以批量产出 pitch deck,可以接 agent pipeline;一个图片包只能看看。

怎么用

两种主流用法。

CLI 模式

# 最快上手:一行命令
pptmaster ./report.pdf --style corporate --tts --narration

# 指定输出路径和 LLM
pptmaster ./report.pdf \
  --llm kimi-k3 \
  --output ./output/q4-deck.pptx \
  --template ./templates/corporate.pptx

作为 library 接入 agent

from ppt_master import PPTMaster
from ppt_master.loaders import PDFLoader

# 1. 准备输入
doc = PDFLoader("./report.pdf").load()

# 2. 初始化(需要 LLM API key)
master = PPTMaster(
    llm="kimi-k3",
    template="./templates/corporate.pptx",
    tts=True,
)

# 3. 一键生成
output_path = master.build(
    source=doc,
    style="corporate",
    slides=18,
    narration=True,           # 把演讲者备注转成 TTS 嵌入 PPTX
)

print(f"Done: {output_path}")
# 产出 ./output/report-2024-01-15.pptx,PowerPoint 直接打开即可编辑

输入支持 PDF、DOCX、URL、纯文本 topic。LLM 用的是通用接口,Kimi K3、Claude、GPT 都能切。TTS 是可选的,开了之后会把 speaker notes 转成音频塞进 slide.notes_slide 的 audio 节点。

代码片是从仓库 docs/usage.md 里直接抄的,复制能跑。

它怎么工作(架构)

流水线四步:

  1. DocumentLoader:吃 PDF/DOCX/URL,吐 chunked text。
  2. OutlinePlanner:扔给 LLM 抽要点,返回 JSON 大纲,每一页带 slide_id / title / bullets / speaker_notes / chart_hint。
  3. PageBuilder:循环每页,根据 chart_hint 调 ChartBuilder / TableBuilder / ImageFetcher 拼子组件,再用 python-pptx 注入母版、动画、转场。
  4. TTSWriter:读 speaker_notes → 调 TTS → 嵌进 slide.notes_slide 的 audio 节点。

工程细节上有一个值得说的:所有 shape 都带 custom placeholder name(类似 chart_q4_revenue 这种),下游可以按名字定位修改。这是我把它当成 library 用时最爽的一点——你的 agent 想在指定位置插一段特定图表,直接 placeholder.name == "xxx" 就能定位到。

它哪里好 / 哪里不好

对比三条老路:

方案 可编辑 跨平台 CI 友好 速度
Office COM 自动化 ✅ ❌ Windows only ❌ 要装 Office 慢
前端 HTML 导图(Gamma 路子) ❌ ✅ ✅ 快
python-pptx 直接写(PPT Master) ✅ ✅ ✅ 中

PPT Master 走的是第三条路,四个维度里拿了三个 ✅。代价是动画/转场只覆盖 python-pptx 支持的子集——morph、push 这些进阶动画没有,做不出炫技 keynote。Chart 类型也没覆盖所有 Office 图表,需要高级图表得自己接 matplotlib 然后导图。模板必须是标准 .pptx,自定义主题要手动改底层 XML。

另一个坑:docs/ 下有大量工程笔记,但 README 写得偏 marketing,选 LLM、模板、TTS 这些细节大部分藏在文档里。第一次跑项目读 README 会有点信息差。

我试了下

拿一份 12 页的 PDF 年报跑通全 pipeline。

  • 总耗时 87 秒(Kimi K3 调了 14 次,TTS 12 次)
  • 产出 18 页 .pptx(含子页拆分)
  • 文件 4.2MB

打开检查:每一页都是真 Shape 不是图片,母版继承正确,speaker notes 里嵌的 .m4a 在 PowerPoint 里能直接播。

12 页年报对应 ~18 页 PPT,因为 PageBuilder 会按逻辑断点自动拆。平均每页生成 0.8 张图表——这个比例不太能控制,依赖 LLM 觉得哪里需要图表。

TTS 用的默认是 Kimi TTS,声音还行,但语调还是 AI 感挺明显的,演示前最好自己过一遍。

谁该用

适合:

  • 要批量出 pitch deck / 培训材料的团队
  • 需要把 PPT 进 agent pipeline 的开发者
  • 对二次编辑有要求的场景(改了 5 遍需求的企业项目)

不适合:

  • 追求极致视觉炫技的 keynote 演示——这种还得 Keynote + AI 修图
  • 纯个人偶发用一次——不如直接 Gamma 省事

如果你正在做 AI agent、需要批量生成结构化 PPT、且不想被 Office 环境绑死,PPT Master 是目前工程友好度最高的开源方案。

代码、模板、文档都在 https://github.com/hugohe3/ppt-master,问题直接开 issue,作者回复还挺快。

来源: https://github.com/hugohe3/ppt-master