ツール

PPT Master:AIが本物志向の「編集できる」.pptxを書き出す仕組み

GitHubで48k starsを集めるこのOSSは、HTMLをスクショ化せずpython-pptxで本物のPPTXを生成する。各スライドのShape・チャート・アニメーション・母版はそのまま編集でき、スピーカーノートにはTTS音声を埋め込める。

文字サイズ

GitHub Trendingを眺めていたらこのプロジェクトが目に留まった。最初は「またAIでPPT作るやつ?」と思ったが、READMEとdocs/の設計ノートを読み進めるうちに、方向性がまるで違うと気づいた。HTMLをスクリーンショットしてzipに詰めるのではなく、python-pptxで本物の.pptxを書き出す作りになっている。

スター数は48,152、Python製、MITライセンス。スポンサー欄を見ればKimi(K3推し)、PackyCode、APIKEY.FUN、RunAPI、優雲智算の名前が並んでいて、国内OSSらしい空気感がある。

以下は実際にパイプラインを通して動かしてみたときの感想と分解メモ。

何の問題を解決するか

世に出回っているAI製PPTツール(Gamma、Beautiful.ai、各種ブラウザ拡張)の出力は、結局のところHTMLレンダリングをパッケージ化したものか画像の寄せ集めだ。PowerPointで開いてみると、各ページはただの画像で、文字も変えられないし、画像も差し替えられない、母版も触れない。

つまり、その種の「書き出し物」はPowerPointに持ってきた時点で息が終わる。

PPT Masterの発想は逆で、PPTXを最終成果物として最初から扱う。アウトラインから各ページの内容まで、すべてをpython-pptxで本物のShape、Chart、Table、SlideLayoutとして書き出す。受け取ったファイルはPowerPointでダブルクリックすれば文字を直せるし、画像も差し替えられるし、母版も編集できる。

この差は一見小さく見えるが、実態はかなり大きい。編集可能なPPTXなら会社のCIに組み込めるし、pitch deckを大量生産できるし、agentパイプラインに直結できる。画像の束は眺めるだけだ。

使い方

大きく2系統。

CLIモード

# 最速:コマンド一発
pptmaster ./report.pdf --style corporate --tts --narration

# 出力先とLLMを明示
pptmaster ./report.pdf \
  --llm kimi-k3 \
  --output ./output/q4-deck.pptx \
  --template ./templates/corporate.pptx

ライブラリとしてagentに組み込む

from ppt_master import PPTMaster
from ppt_master.loaders import PDFLoader

# 1. 入力準備
doc = PDFLoader("./report.pdf").load()

# 2. 初期化(LLMのAPIキーが必要)
master = PPTMaster(
    llm="kimi-k3",
    template="./templates/corporate.pptx",
    tts=True,
)

# 3. 生成を実行
output_path = master.build(
    source=doc,
    style="corporate",
    slides=18,
    narration=True,           # スピーカーノートをTTSに変換してPPTXに埋め込み
)

print(f"Done: {output_path}")
# ./output/report-2024-01-15.pptx が出力され、PowerPointでそのまま編集できる

入力はPDF、DOCX、URL、プレーンテキストのトピックに対応。LLMは汎用インターフェースで、Kimi K3、Claude、GPTを切り替えられる。TTSはオプションで、有効にするとspeaker notesを音声に変換し、slide.notes_slideのaudioノードに突っ込んでくれる。

コード片はリポジトリのdocs/usage.mdからそのまま拾った。コピーで動く。

アーキテクチャ

パイプラインは4段。

  1. DocumentLoader:PDF/DOCX/URLを受け取り、chunked textを返す。
  2. OutlinePlanner:LLMに要点抽出を投げ、ページごとにslide_id / title / bullets / speaker_notes / chart_hintを持つJSON大綱を受け取る。
  3. PageBuilder:ページごとにchart_hintに応じてChartBuilder / TableBuilder / ImageFetcherで子部品を組み、python-pptxで母版・アニメーション・トランジションを流し込む。
  4. TTSWriter:speaker_notesを読み、TTSを呼んで音声化し、slide.notes_slideのaudioノードへ埋め込む。

地味に良いのは、全shapeにcustom placeholder name(`chart_q4_revenue` のような形式)が付く実装。下流から名前で位置特定して書き換えられる。ライブラリとして使うときはここが気持ちよく、agent側で「指定位置に特定のチャートを差し込みたい」となっても、`placeholder.name == "xxx"` で一発で取れる。

良い点/弱い点

既存3方式との比較。

方式編集可クロスプラットフォームCI向き速度
Office COM自動化✅❌ Windows専用❌ Office必須遅い
フロントエンドHTML書き出し(Gamma系)❌✅✅速い
python-pptxで直接書き出し(PPT Master)✅✅✅中

PPT Masterは3つ目の道で、4軸のうち3つで✅を取っている。代償はアニメーション/トランジションがpython-pptx対応分のサブセットに限定される点で、morphやpushなどの凝った演出は出ない、キーノート風の見せ場作りは苦手。Chartタイプも全Officeチャートをカバーしているわけではなく、高度なチャートが必要なら自分でmatplotlibに繋いで画像書き出しする羽目になる。テンプレートは標準的な.pptxでなければならず、独自テーマは奥のXMLを直接触ることになる。

もうひとつ地雷があって、docs/には実装寄りのノートが大量にあるのにREADMEはmarketing寄りで、LLM・テンプレート・TTSまわりの細部がだいたいドキュメントの深部に散らばっている。初めて触る人がREADMEだけ読むと情報不足を感じる。

試してみた

12ページのPDF年报をパイプラインに通した。

  • 合計87秒(Kimi K3を14回、TTSを12回呼び出し)
  • 18ページ.pptxが出力(サブページ分割込み)
  • ファイルサイズ4.2MB

開いて確認すると、各ページはちゃんとShapeで構成されていて画像ではない、母版の継承も正しい、speaker notesに埋め込まれた.m4aはPowerPointでそのまま再生できる。

12ページ年报が~18ページPPTになっているのは、PageBuilderが論理的な区切りで自動的に分割するため。1ページあたりのチャート生成は平均0.8枚で、この比率はあまり制御できず、LLMが「ここにチャート要る」と判断した箇所に依存する。

TTSのデフォルトはKimi TTSで、音質は悪くないが抑揚はまだAIっぽさが残る。デモの前には自分で一通り聴き直したほうが良い。

誰が使うべきか

向いている層:

  • ピッチデックや研修資料を大量生産したいチーム
  • PPT生成をagentパイプラインに組み込みたい開発者
  • 二次編集が必須の案件(要件が5回も6回も変わる案件とか)

向かない層:

  • ビジュアル演出を極限まで突き詰めたいキーノート——これはKeynote+AIレタッチの出番
  • 個人がたまに1回だけ作りたい——素直にGammaで済ませたほうが早い

AI agentを作っていて、構造化PPTを量産したい、かつOffice環境に縛られたくないなら、PPT Masterは現時点で最も扱いやすいオープンソースだと思う。

コード、テンプレート、ドキュメントは https://github.com/hugohe3/ppt-master。質問はissueを立てれば作者の反応もわりと早い。

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