Sobre o projeto

O PPT Master é uma ferramenta de código aberto que usa IA para gerar apresentações PowerPoint (.pptx) totalmente nativas e editáveis a partir de documentos, PDFs, arquivos DOCX, páginas da web ou entrada de texto direta. Ao contrário de ferramentas que convertem a saída em imagens, o PPT Master produz objetos reais do PowerPoint, incluindo formas nativas com alças de ajuste, gráficos e tabelas com base em dados, mestres de slide, transições, animações e narração em áudio a partir de notas do palestrante. A ferramenta funciona como um fluxo de trabalho dentro de qualquer IDE de IA compatível com agentes ou ferramenta de chat, como Claude Code, GPT, Gemini, Cursor, Codex CLI ou Kimi. O usuário instala o Python e as dependências do projeto, depois instrui o agente de IA a gerar uma apresentação a partir do material de origem. Todo o processamento ocorre localmente; apenas as chamadas de API de modelos de IA são enviadas para externo. Não há assinatura de plataforma ou bloqueio a modelos de IA. Principais recursos: - Conversão de PDFs, DOCX, HTML, EPUB, notebooks Jupyter e outros formatos em apresentações estruturadas - Suporte a modelos personalizados: os usuários podem fornecer seus próprios modelos .pptx, que são preservados byte a byte nas páginas não alteradas - Gráficos e tabelas com base em dados com dados editáveis por meio do sinalizador --native-charts-and-tables - Fórmulas renderizadas como OMML editável para PowerPoint 2010 e versões posteriores - Modo de geração rápida opcional que pula a confirmação de design para uma saída mais rápida - Extração e reutilização de marca, estilo, layout e modelos de apresentação a partir de materiais de referência - Narração a partir de notas do palestrante e suporte a animações nativas O projeto tem licença MIT, é gratuito para uso e é mantido por Hugo He. Os modelos recomendados para melhores resultados incluem o Kimi K3 ou o Claude com janelas de contexto grandes, combinados com ferramentas de geração de imagens de IA, como gpt-image-2 ou gemini-3.1-flash-image. O README observa que os resultados melhoram com modelos de maior qualidade e que ainda pode ser necessário fazer ajustes após a geração.