Об этом проекте

PPT Master — это инструмент с открытым исходным кодом, который с помощью ИИ создаёт полностью нативные, редактируемые презентации PowerPoint (.pptx) из документов, PDF-файлов, файлов DOCX, веб-страниц или прямого текстового ввода. В отличие от инструментов, которые сводят вывод к изображениям, PPT Master генерирует реальные объекты PowerPoint: нативные фигуры с маркерами настройки, диаграммы и таблицы с привязанными к ним данным, шаблоны слайдов, переходы, анимации и аудиодорожки для дикторского текста из заметок спикера. Инструмент работает как рабочий процесс внутри любого ИИ-IDE или чат-инструмента с поддержкой агентов, таких как Claude Code, GPT, Gemini, Cursor, Codex CLI или Kimi. Пользователь устанавливает Python и зависимости проекта, после чего даёт ИИ-агенту инструкцию по созданию презентации из исходных материалов. Вся обработка происходит локально, только вызовы API ИИ-моделей отправляются во внешнюю среду. Нет платформенной подписки и привязки к конкретной модели. Ключевые возможности: - Конвертация PDF, DOCX, HTML, EPUB, блокнотов Jupyter и других форматов в структурированные презентации - Поддержка пользовательских шаблонов: пользователи могут предоставлять собственные шаблоны .pptx, которые сохраняются побайтово на неизменённых страницах - Диаграммы и таблицы с привязанными к ним данным, редактируемые через флаг --native-charts-and-tables - Формулы отображаются в виде редактируемого OMML для PowerPoint 2010 и новее - Опциональный режим быстрой генерации, который пропускает подтверждение дизайна для более быстрого вывода - Извлечение и повторное использование брендовых стилей, макетов и шаблонов презентаций из справочных материалов - Генерация дикторского текста из заметок спикера и поддержка нативной анимации Проект распространяется по MIT-лицензии, бесплатен в использовании и поддерживается Хьюго Хе. Для достижения наилучших результатов рекомендуется использовать модели с большим контекстным окном, например Kimi K3 или Claude, в паре с инструментами для генерации ИИ-изображений, такими как gpt-image-2 или gemini-3.1-flash-image. В README указано, что качество результатов улучшается при использовании более мощных моделей, и после генерации может потребоваться дополнительная доработка.