一、Skill 介绍

slides-from-video 是一个开源 Agent Skill，给定演讲/会议视频（YouTube 链接或本地文件），把画面里的 PPT 幻灯片提取出来合成去重后的 PDF。它专门处理「PPT 只占画面一部分，旁边有讲者摄像头/Logo」的会议录播；同时是 Claude Code Skill，放到 ~/.claude/skills/ 后用自然语言即可触发。

图 1 GitHub 仓库页面

工作原理（六步流水线）

•下载：yt-dlp 下载视频并缓存（默认完成后清理）

•探针 probe：抽一帧让用户确认 PPT 区域 → crop=W:H:X:Y

•裁剪+采样：对 PPT 区域每 N 秒抽一帧 → 1000~2000 候选 JPEG

•分类：亮度+标准差过滤掉讲者/观众镜头

•去重：Tesseract OCR 读右下角 N/M 页码（主）+ phash 感知哈希（兜底）

•合成：img2pdf 无损合成，不重编码

二、下载安装

通过 git clone 下载仓库（约 1.2 MiB，含 SKILL.md、README 中/英、scripts/extract_slides.sh）。

图 2 git clone 下载 Skill

依赖：yt-dlp、ffmpeg、ffprobe、tesseract、img2pdf、python3 + Pillow。本机 Windows 11 + Git Bash，Tesseract 用 winget 装，Python 依赖用 pip 装。

图 3 安装 Tesseract 与 Python 依赖

注：原脚本在 Windows 有 NamedTemporaryFile 文件锁问题，用修复版 extract_slides_win.sh（mkstemp 替代），其余逻辑不变。

三、使用

3.1 准备测试视频

用 Python+Pillow 生成 8 张「AI Agent 主题」幻灯片，ffmpeg 合成 39s 演讲视频 talk.mp4。画面 1920×1080：左 480px 讲者边栏，右 1440px 为 PPT；每张幻灯片 4s，中间插 1s 讲者特写镜头（检验过滤能力）。

图 4 视频完整帧（左侧讲者边栏 + 右侧 PPT）

3.2 Step 1：probe 探针

scripts/extract_slides.sh probe talk.mp4 --at 2

探针帧显示左 480px 为边栏、右 1440px 为 PPT，故 crop=1440:1080:480:0。

图 5 probe 生成的探针帧

3.3 Step 2：extract 提取

scripts/extract_slides.sh extract talk.mp4 --crop 1440:1080:480:0 --sample-interval 0.5 -o extracted_slides.pdf

图 6 extract 输出：78 候选帧 → 保留 7 张 → PDF

3.4 产物：extracted_slides.pdf（7 页，500 KB）

7 页 PDF 网格预览（由 PyMuPDF 120dpi 渲染）：

图 7 extracted_slides.pdf 全部 7 页

四、总结

本次对 39s 测试视频（8 张幻灯片 + 7 段讲者特写）运行 Skill：crop=1440:1080:480:0，每 0.5s 采样得 78 候选帧，亮度/标准差过滤掉讲者特写，OCR 页码去重后保留 7 张，输出 500 KB PDF，覆盖率 7/8=87.5%（第 3 张恰在讲者特写段，无法恢复）。

局限：① 100% 覆盖不可能（未出现在画面里的幻灯片无法恢复）；② OCR 假设右下角 N/M 页码；③ phash 无法区分动画中间步骤与相似幻灯片；④ Windows 需 Git Bash/WSL。