PPT做完还能继续用:用AI Skill读懂内容、写分镜,再生成讲解视频

上一篇，我把已经发布过的 52 篇公众号文章交给 AI，最后整理成了一份 14 页的《鲨域 AI 海图》。它不只排列文章标题，而是重新找出了内容主线、关键词关系和不同读者的阅读路线，还为每一页写了对应的演讲稿。

页面、结构和逐页讲稿都有了，这批内容其实还可以继续往后走：让 AI 理解每一页要表达什么，再完成分镜、配音、字幕、动效和视频合成。

这次我使用的是 product-video Skill。最终得到的是一段 6 分 31 秒、1920×1080 的 PPT 讲解视频。它按照原始 PPT 的 14 页顺序播放，使用晓晓女声配音，带同步字幕、淡入淡出和轻微推拉效果。

从一份 PPT 开始，AI 要先补齐“怎样讲”

把 PPT 做成讲解视频，真正需要补上的并不是一个视频文件，而是“怎样讲”：每一页承担什么作用、页面之间怎样过渡、哪些信息应该由画面呈现、哪些内容需要旁白补充，以及不同页面应该停留多久。

《鲨域 AI 海图》的第二页展示 52 篇文章怎样分布在六片海域，第三页才开始解释它们背后的共同主线。如果所有页面固定停留相同时长，讲解很容易和画面错开；如果只朗读页面文字，又会把一份演示稿讲成说明书。

这次 PPT 已经有逐页备注，AI 可以先读取页面和演讲稿，检查两者是否对应，再把讲稿整理成适合配音的连续口播。页面负责让人看见结构，讲稿负责把结构讲明白，两者一起成为视频输入。

如果 PPT 没有演讲稿，AI 也可以根据标题、正文、图表和前后关系先起草。正式制作前，product-video Skill 会先整理出时间线、画面描述、素材需求和配音文字，让人确认讲述方向和页面节奏。

这一步的作用，是在配音和渲染之前尽早发现偏差。页面上写的是“能力群岛”，作者真正想讲的可能是“不要看到插件就全部安装，而要先判断任务缺什么”。AI 能补齐表达，却不能凭空知道作者没有写出来的立场。先确认分镜，修改的还是几段文字；等视频全部生成以后再发现方向不对，配音、字幕和画面都要重新制作。

因此，完整顺序是：

Skill 把这些步骤串成了一条制作流程

理解页面、改写讲稿、判断前后关系，依赖的是 AI 的通用能力。product-video Skill 并没有凭空为模型增加一种“视频天赋”，它做的是规定先后顺序、调用相关工具，并把交付和检查项目固定下来。

它先判断视频属于哪种类型：展示软件操作的录屏演示型、以图片和文字为主的图文展示型，或者把两者结合起来的混合型。《鲨域 AI 海图》已经有完整 PPT，因此走的是图文展示路线。

分镜确认后，后面的工作才依次展开：逐页准备画面，根据讲稿生成语音，用实际配音时长决定每页停留多久，再切分同步字幕、加入动效、合成视频。最后还要检查配音是否重叠、空白是否过长、字幕是否异常，以及成片能否完整播放。

在这条流程里，人负责定义目标、选择声音、确认分镜和验收结果；AI 负责理解材料、整理讲稿、生成内容并调用工具；Skill 则负责把步骤和规则组织起来。

会用 AI 的关键，是把模糊需求变成可执行、可检查、可复用的流程。

第一版出来后，真正的验收才开始

第一版视频很快就生成了，但“有一个 MP4 文件”和“这个视频可以交付”并不是一回事。

最明显的问题出现在字幕里：每段末尾多出了一个反斜杠。它不影响播放，却会反复提醒观众这是一段没有经过检查的机器产物。

声音也需要继续调整。晓晓的音色适合这份 PPT，但第一版分句太碎，句子之间像被切成了一块块音频，听起来清楚，却缺少连续讲述的感觉。后续改为每页先生成一段连续配音，再根据语音边界切字幕，节奏才更接近完整演讲。

另一个问题来自画面。视频需要一点运动，否则六分多钟的静态页面会显得过于平；但推拉幅度稍大，页面边缘就可能被裁掉，字幕底板位置不合适，也会让原本完整的 PPT 看起来像少了内容。

最终版本没有重排 PPT，而是从当前文件按原顺序逐页导出，保留完整页面，只在外圈安全边距内加入约 1% 的轻微推拉。字幕固定在画面上，不跟着页面一起移动。完成后再从视频中逐页抽帧，核对 1—14 页的顺序和四边内容。

下面这张图来自最终成片的抽帧验收。最后一页连续出现，是因为片尾保留了停留时间；检查重点是页面顺序、字幕位置和四边是否完整。

几轮修改最后变成了一组更明确的验收规则：

一次修改解决的是当前视频；把问题变成检查规则，才能减少下一次重复踩坑。

不只有 PPT 可以成为视频的起点

PPT 讲解只是 product-video Skill 的一种用法。它支持图文展示、软件录屏和混合视频，因此已有材料也可以换成产品网页、屏幕录像、文章、报告或产品截图。

这里有一个边界：Word、PDF 和文章并不是直接“另存为视频”。AI 仍然需要先理解材料，决定哪些内容由画面承担、哪些由旁白解释，再进入分镜、配音和合成。

对于内容相对稳定、又需要反复讲解的场景，这种方式尤其有用。新员工可以先看统一的入职培训，客户可以先了解产品基础功能，团队成员可以先掌握方案背景，后续沟通再集中处理问题和具体情况。

偶尔使用复制任务，高频使用再固化规则

如果只是偶尔把一份 PPT 制作成讲解视频，不必先定制新的 Skill。可以把材料和下面这段任务说明交给 AI：

如果这类视频每周都要制作，反复复制要求就不再是最好的办法。此时可以在现有 product-video Skill 基础上，建立更适合自己的规则：固定声音、语速、字幕位置、页面动效、品牌元素、输出目录和验收清单。

本次遇到的字幕异常、配音割裂和页面裁切风险，也可以直接写进规则。下一次再提供新的 PPT，AI 就不需要等问题出现以后才知道应该注意什么。

定制 Skill 不涉及重新训练模型，也不意味着把全部工作交给 Skill。它的价值，是把已经验证过的方法、偏好和纠错经验固定下来。

安装 product-video Skill

这次使用的 product-video 来自开源项目 MatrixReligio/ProductVideoCreator。仓库中除了主 Skill，还包含分镜、录屏、配音、背景音乐、字幕、视频合成和素材收集等相关 Skills。

可以使用下面的命令安装主 Skill：

安装前建议先打开仓库阅读 SKILL.md，确认来源和具体行为。网络上可能有同名 Skill，直接指定 GitHub 仓库地址，比只按照名称搜索更不容易装错。

Skill 本身是一套工作流程，不会自动提供全部运行环境。原仓库列出的依赖包括 Node.js、Python、FFmpeg 和 Git；默认技术方案使用 Remotion 合成视频、Playwright 录制网页操作、edge-tts 生成配音，FFmpeg 负责音频处理等任务。

本次 PPT 视频没有浏览器录屏，也没有使用 Remotion 搭建 React 视频项目。我沿用了 Skill 的分镜、配音、字幕和验收流程，实际使用 edge-tts 生成配音，再用 FFmpeg 完成页面动效、字幕叠加、音视频合成与最终封装。

原仓库主要面向 macOS、Linux，Windows 推荐使用 WSL；不同 Agent 和本地环境的安装方式可能略有区别。

PPT 做完以后，内容仍然可以继续流动

回头看这两次制作，同一批内容经历了一条完整路径：52 篇公众号文章先被重新理解和分类，变成《鲨域 AI 海图》PPT；页面和演讲稿又继续成为分镜、配音、字幕与讲解视频的输入。

文章、PPT、演讲稿、录屏和视频之间原本断开的环节，现在可以被同一套工作流连接起来。同一份内容不必在每个渠道重新从零开始。它可以先被整理成结构，再根据使用场景变成演示稿、讲解视频、培训材料或产品介绍。

AI 提供理解和生成能力，Skill 组织流程，人负责目标、判断和最终验收。真正能够积累下来的，是让已有材料继续产生价值的方法，以及把一次成功逐渐变成可重复能力的规则。

如果你也在尝试让 AI 接手一段真实工作，欢迎在留言里说说你的场景：你正在把哪些材料变成新的交付物，想打通哪几个原本分开的环节，又遇到了什么问题？PPT、文章和视频之外，也许还有更多值得被连接起来的工作。

主要资料

• ProductVideoCreator：https://github.com/MatrixReligio/ProductVideoCreator