gpt-image2-ppt -- gpt-image-2 で PPT を生成

Markdown アウトライン（または slides_plan.json）+ ビジュアルスタイルを OpenAI 公式 Images API（gpt-image-2）に直接入力し、ページごとに画像を生成した後、キーボード操作でページを切り替えられる HTML ビューアと 16:9 の .pptx に統合します。

10 種類の組み込みスタイル

スタイル ID	一言での位置づけ	適用シーン
gradient-glass	Apple Vision OS / Spatial Glass	AI 製品発表、技術シェア、クリエイティブ提案
clean-tech-blue	Stripe / Linear レベルの青白	資金調達ピッチ、ビジネスプラン、企業戦略
vector-illustration	レトロベクターイラスト + 黒い輪郭線	教育トレーニング、ブランドストーリー、コミュニティシェア
editorial-mono	Kinfolk / Monocle エディトリアルデザイン	ブランド発表、文化インタビュー、書籍シェア
dark-aurora	Linear / Vercel ダークネオン	AI 製品、開発者ツール、技術シェア
risograph	Riso 2 色印刷 + ハーフトーン テクスチャ	クリエイティブスタジオ、文化ブランド、独立 zine
japanese-wabi	無印 / 原研哉式わびさび	茶道、ライフスタイル、ラグジュアリー、文化講演
swiss-grid	Bauhaus / Vignelli インターナショナルグリッド	学術報告、博物館展示、厳粛な報告
hand-sketch	スケッチノート / ホワイトボード手描き	ワークショップ、製品ブレインストーミング、トレーニング
y2k-chrome	Y2K ミレニアム液体メタル + バタフライステッカー	トレンドブランド、エンタメ、ブランドコラボ、Z 世代マーケティング

スタイル選択の原則：技術系は dark-aurora / gradient-glass を優先、商務系は clean-tech-blue / editorial-mono を優先、文化生活系は japanese-wabi / vector-illustration を優先、トレンドエンタメ系は risograph / y2k-chrome を優先、学術系は swiss-grid を優先、ワークショップと初期クリエイティブ系は hand-sketch を優先します。

テンプレートクローンモード

スキルに .pptx テンプレートを直接提供すると、以降のすべてのページがこのテンプレートに合わせてレンダリングされます。

# 1 行で実行：自動レンダリング + vision スタイル抽出 + 画像生成。本機に LibreOffice または docker イメージがあれば実行可能
python3 scripts/generate_ppt.py \
  --plan slides_plan.json \
  --template-pptx ./company-template.pptx \
  --template-strict

--template-strict は、各ページでテンプレートの対応ページを image reference として gpt-image-2 に入力し、最高の再現性を実現します。

テンプレートレンダリング：本機で PowerPoint を操作する必要はありません

スキルに付属の render_template.py は、.pptx を自動的に各ページ PNG にレンダリングして <cwd>/template_renders/<stem>/page-NN.png に保存します。

バックエンドは優先度順に自動選択します：

1. 本機の libreoffice / soffice コマンド（最速）
2. 本機の docker + linuxserver/libreoffice イメージ（初回ダウンロード ~2.5GB）
3. PDF → PNG は pymupdf（既に requirements に含まれる）；インストールされていない場合は pdf2image + poppler を使用

どちらの LibreOffice も利用できない場合は、ユーザーに PowerPoint/Keynote/WPS から各ページ PNG を手動でエクスポートするよう指示し、page-01.png から始まる辞書順の命名規則に従わせます。

generate_ppt.py --template-pptx ... を実行する際に --template-images を省略すると、レンダリングが自動的に 1 回実行されます。または手動で先に実行することもできます：

python3 scripts/render_template.py company-template.pptx
# -> <cwd>/template_renders/company_template/page-01.png ... page-NN.png

テンプレート模倣の 2 層キャッシング

資料	パス	用途
テンプレート各ページ PNG	<cwd>/template_renders/<stem>/page-NN.png	LibreOffice 1 回レンダリングの長期再利用
Vision スタイル分析	<cwd>/template_cache/<sha256>.json	gemini-3.1-pro-preview 1 回分析の長期再利用
生成成果物	<cwd>/outputs/<timestamp>/	毎回実行時に新ディレクトリ

すべてが呼び出し元の cwd 下にあり、プロジェクトとの関係は自然です。template_renders/、template_cache/、outputs/ をプロジェクトの .gitignore に追加することをお勧めします。

Vision モデル（エージェントが設定の必要性を自ら判断）：

• 本スキルを実行する現在のエージェント自体が多モーダルの場合（Claude Code は Claude Opus/Sonnet などの多モーダル SKU を使用、codex は GPT 多モーダル SKU を使用など）、外部 vision モデルを接続する必要がまったくありません：エージェント自体に Read template_renders/<stem>/page-*.png させ、スタイルを 1 回で抽出して template_cache/<sha256>.json に書き込むだけで済みます（スキーマは template_analyzer.py を参照）。これがデフォルトパスであり、VISION_* を設定する必要はありません。
• エージェント自体が純テキストモデルの場合のみ（または特定のより強力な vision で強制的にテンプレート分析を行いたい場合）、VISION_* を設定して template_analyzer.py に独立した OpenAI 互換多モーダル chat completions エンドポイントを使用させます（Gemini / GPT / Claude いずれでも選択可能、デフォルトは内置されていません）。

Vision 分析と画像生成の gpt-image-2 は常に分離されています — vision プロバイダーの変更は出力パスに影響しません。

インストール

git clone git@github.com:JuneYaooo/gpt-image2-ppt-skills.git
cd gpt-image2-ppt-skills
bash install_as_skill.sh --target claude   # Claude Code
# または
bash install_as_skill.sh --target codex    # Codex
# API ダイレクト接続モードを使用する場合のみ、対応ディレクトリの .env を編集して API_KEY を入力してください

必須の環境変数

OPENAI_BASE_URL=https://api.openai.com    # または任意の OpenAI 互換リレーサービス
OPENAI_API_KEY=sk-...
GPT_IMAGE_MODEL_NAME=gpt-image-2
GPT_IMAGE_QUALITY=high                     # low / medium / high / auto

# オプション：テンプレートクローンモードの vision 分析バックエンド。
# デフォルトでは、本スキルを実行するエージェント自体に画像を見させます（多モーダル Claude Code / 多モーダル codex いずれでも可）。
# エージェント自体が純テキストモデルの場合のみ、以下を外部接続する必要があります。
# デフォルトエンドポイントは内置されていないため、信頼できるサービスを記入してください。そうでなければ入力しないでください。
# VISION_BASE_URL=https://your-openai-compatible-relay.example.com/v1
# VISION_API_KEY=sk-...
# VISION_MODEL_NAME=gemini-3.1-pro-preview   # または gpt-4o / claude-3.5-sonnet など任意の多モーダル SKU

セキュリティに関する注意：スクリプトは <script_dir>/.env、~/.codex/skills/.../.env、~/.claude/skills/.../.env、~/skills/.../.env、および明示的な GPT_IMAGE2_PPT_ENV からのみ認証情報を読み込みます。プロジェクトディレクトリの .env を再帰的に読み込んで無関係なキーを誤って取得することはありません。

Codex エージェント本体の場合（ネイティブ image_generation 出力 — 推奨）

本体が Codex の場合（現在このスキルを実行しているエージェントが Codex CLI / Codex TUI）、ネイティブの image_generation ツールと ChatGPT ログイン状態を備えています。この場合、generate_ppt.py を実行しないでください。ネイティブツールを直接使ってパイプライン全体を完成させてください — 依存関係なし、API キーなし、ネスト化なし。

判定方法

image_generation ツールにアクセスでき、OPENAI_API_KEY を手動で設定することなく画像を生成できます — この 2 つの条件を満たしていればネイティブパスを使用します。

画像生成フロー（Codex ネイティブパス）

1. Slides データを準備

slides_plan.json がない場合は、以下の「生成フロー」の第 2-3 ステップに従い、slides_plan.md を書いてから python3 scripts/md_to_plan.py ... で json に変換してください。

2. スタイルテンプレートを読み込み

styles/<id>.md を読み、## 基础提示词模板 セクションを base prompt として取得します。

3. 各ページのプロンプトを構築

generate_ppt.py の generate_prompt() ロジックを参考にし、コア規則：

• カバー（cover/スライド 1）：タイトル/サブタイトルをビジュアルの焦点に
• データページ（data/最後のページ）：重要な数字、対比、または結論を強調
• コンテンツページ（content/その他のページ）：階層構造、配置、余白に基づいて構造化された提示
• すべてのテキストは簡体字中文でなければならず、フォントは Noto Sans CJK / Pingfang を使用し、草書体/装飾的フォントは禁止
• 16:9 横長ワイドスクリーン（landscape, widescreen）、プロンプトで明確に「幅が高さより明らかに大きく、正方形は絶対に使わない」と述べてください

{style 基础提示词模板}

---

それでは本グループの【{カバーページ/コンテンツページ/データページ}】を生成してください。{対応するヒント}
本ページで表現するコンテンツは以下の通りです（このスタイルの美学に従ってレイアウトを再設計してください）：

{slide content}

【強制的な言語とフォント要件】
1. すべてのテキストは簡体字中文を使用する必要があります。英文は禁止です（固有名詞を除く）
2. 中文フォントは Noto Sans CJK または Pingfang を使用し、草書体、装飾的フォントは禁止
3. タイトルは太字、本文は通常、フォントサイズは明確な対比を持つ

【画面比率 — 強制】16:9 横長ワイドスクリーン (landscape, widescreen)、幅が高さより明らかに大きく、正方形または縦図は絶対に使わない。

4. image_generation ツールを呼び出して出力

各ページについて image_generation ツールを呼び出します：

• prompt：上記で組み立てた完全なプロンプト
• output_format：png
• 返された画像を outputs/<timestamp>/images/slide-NN.png に保存（NN は 2 桁のページ番号）

並列実行可能（推奨 ≤4 並列、レート制限を避けるため）。

5. HTML ビューアを生成

templates/viewer.html を読み、/* IMAGE_LIST_PLACEHOLDER */ を 'images/slide-01.png', 'images/slide-02.png', ... に置き換えて outputs/<timestamp>/index.html に書き込みます。

6. PPTX をパッケージ化（オプション）

python3 -c "
from pptx import Presentation
from pptx.util import Inches
prs = Presentation()
prs.slide_width = Inches(13.333)
prs.slide_height = Inches(7.5)
blank = prs.slide_layouts[6]
import os, glob
for p in sorted(glob.glob('outputs/<timestamp>/images/slide-*.png')):
    slide = prs.slides.add_slide(blank)
    slide.shapes.add_picture(p, 0, 0, width=prs.slide_width, height=prs.slide_height)
prs.save('outputs/<timestamp>/<title>.pptx')
print('done')
"

テンプレートクローンモード（Codex ネイティブパス）

本体が多モーダルエージェントである — テンプレート各ページ PNG を直接 Read してビジュアルスタイルを抽出し、template_cache/<sha256>.json に書き込みます（スキーマは template_analyzer.py の TemplateProfile を参照）。その後、上記フローに従って出力する際、対応するテンプレートページを reference image として image_generation ツールに渡します。

VISION_* を設定する必要はありません — 本体自体が vision です。

以下の「--backend codex」との違い

	ネイティブパス（本セクション）	--backend codex
適用シーン	本体が Codex エージェント	Claude Code / その他のエージェント、本機の codex CLI を借用
呼び出し方法	image_generation ツールを直接呼び出し	codex exec --full-auto 子プロセスをスポーン
出力レイヤ	1 層	2 層（エージェント → python → codex exec）
速度	数秒/枚	30-60 秒/枚
信頼性	ツールパラメータ正確	自然言語リレー、時折失敗
API キーが必要	不要	不要

---

オプション：codex CLI で出力（--backend codex、Codex caller 以外用）

Codex エージェント本体の場合は、このパスを使用しないでください — 前セクションの「ネイティブパス」を使用してください。

Claude Code / OpenClaw / その他のエージェントでこのスキルを実行するが、本機に codex CLI がインストールされており、ログイン済み（codex login）の場合、そのログイン状態を借用して出力でき、OPENAI_API_KEY の設定を省略できます：

python3 scripts/generate_ppt.py --plan slides_plan.json --style styles/editorial-mono.md --backend codex

デフォルトバックエンドは依然として openai（API 直接呼び出し、高速、並列実行安定、1 ページあたり 3-10 秒）。--backend codex はエスケープハッチで、「1-2 枚の画像を試してみたいだけで、キーを設定したくない」というシナリオに適しています。

トレードオフ：

• ✅ 本スキルで OPENAI_API_KEY を設定する必要なし
• ⚠️ 遅い：1 ページあたりエージェントループが 1 層多く、単ページ 30-60 秒以上、10 ページは 5-10 分かかる可能性
• ⚠️ 計費は変わらない：gpt-image-2 は画像ごとの課金で ChatGPT サブスクリプション内ではなく、codex はあなたの代わりにクレジットを消費するだけ
• ⚠️ 制御性が低い：aspect_ratio / quality / reference_image は自然言語指令に依存して codex が転送し、時折失敗

関連する env（すべてオプション）：

CODEX_CMD="codex exec --full-auto"   # codex 呼び出し方法をオーバーライド（デフォルトはこれ）
CODEX_IMAGE_MODEL=gpt-image-2        # codex に渡すターゲットモデル
CODEX_TIMEOUT_SECS=900               # 単ページタイムアウト
GPT_IMAGE_BACKEND=codex              # 毎回 --backend とタイプしたくない場合は設定

テンプレートクローンの vision 分析も同理 — caller エージェント自体が多モーダル（Claude Code / 多モーダル codex）の場合、テンプレート PNG を直接 Read してスタイルを抽出でき、VISION_* を設定する必要はありません。caller エージェント自体が純テキストモデルの場合のみ、vision プロバイダーを外部接続する必要があります。

生成フロー（組み込みスタイル）

先に md、後に json：md は人間が読むため、diff / レビュー / テキスト修正が簡単；json は md から派生し、generate_ppt.py に入力され、生成済みとマークされ、手動では変更しません。

1. ユーザーがアウトライン / 既存の slides_plan.json を提供
2. Claude は下記の md 規約に従って slides_plan.md を書き、ユーザーとテキスト内容を確認：

   ---
   title: MediWise Health Suite ビジネスプラン
   ---
   
   ## 1. [cover] MediWise Health Suite
   サブタイトル：家庭健康管理インテリジェントプラットフォーム
   年：2026
   
   ## 2. [content] 市場痛点：ヘルスマネジメントの 2 つの分裂
   痛点 1：高頻度で低深度
   ...
   
   ## 6. [data] 効率比較：MediWise 使用前後
   ...
   

   • h2 形式：## N. [page_type, layout=layout-05] このページのタイトル行
   • N. は省略可（出現順で自動採番）；[page_type] は省略可（デフォルト content）；layout= はテンプレートクローンモードでのみ必要
   • page_type：cover / content / data
   • h2 タイトル行 → json の content の最初の行；以下の本文 → 本文
3. ユーザーが OK したら、json に変換：

   python3 scripts/md_to_plan.py slides_plan.md -o slides_plan.json
   

4. スタイルを選択：上記 10 種類から 1 つ選び、対応する styles/<id>.md
5. スクリプトを実行：

   python3 scripts/generate_ppt.py --plan slides_plan.json --style styles/editorial-mono.md
   

6. 成果物は <cwd>/outputs/<timestamp>/ にあります：
   • images/slide-XX.png -- 各ページの PNG（16:9、1536x1024）
   • index.html -- HTML ビューア、方向キーでページ送り、スペースキーで自動再生、ESC でフルスクリーン
   • prompts.json -- 各ページで使用された完全なプロンプト（復習 / 二次調整に便利）
   • <title>.pptx -- 16:9 全ページ画像埋め込みの .pptx、シェア/プロジェクション直接使用

生成フロー（テンプレートクローン）

1. テンプレート .pptx を取得（ユーザー提供 / 内部テンプレートライブラリ / ネットダウンロード）
2. （オプション）先に単独でレンダリングして人工的に選択 ---- 大きなテンプレート（>15 ページ）の場合は python3 scripts/render_template.py xxx.pptx を先に実行し、template_renders/<stem>/ から 8-12 の代表ページを template_renders/<stem>_curated/ にコピーして vision 分析に提供することをお勧めします。ページ数が多いほど、layout マッチング精度が向上します
3. slides_plan.md → slides_plan.json を生成（組み込みスタイルフロー第 2-3 ステップを参照）。各ページについて slide_number / page_type（cover / content / data / など）/ content；正確にマッピングしたい場合は h2 に layout=layout-NN を追加（NN = テンプレート第 N ページ / マッピング対象のテンプレートページ番号）
4. generate_ppt.py を実行：

   python3 scripts/generate_ppt.py \
     --plan slides_plan.json \
     --template-pptx xxx.pptx \
     --template-images template_renders/xxx_curated \
     --template-strict --slides 1
   

   先に --slides 1 でカバーをスモークテストし、効果が OK になったら全量を実行
5. ユーザーに成果物パスを通知

テンプレートページの選択 / 再利用の原則

コア原則：できるだけ 1 ページ : 1 レイアウト を実現 ---- 同じ deck 内の各スライドが異なるテンプレートページを reference として使用すれば、観客は各ページが新しいコンテンツと感じます。同じユニークな layout が 2-3 回出現する場合、観客は無意識に「なぜこのページがまた出ているのか」と考えます。

Vision 分析時に各 layout に reuse_friendly ラベルが付きます：

reuse_friendly	典型的な layout	複数回使用のコスト
false（再利用不可、(!) 強い警告）	カバー、3 つの指定キャラクターイラストページ、ユニークなシーン画像（雪山/放送塔/レトロラジオ）、5 ステップ zigzag 各ステップ独自アイコン、novel データ中央装置	ビジュアル重複が非常に明らかで、観客は困惑します
true（再利用可能だが、依然として間隔をあけることを推奨、(i) 弱いヒント）	純テキスト、カードグリッド、通用リスト、セクション小見出し	致命的ではありませんが、テンプレート内の他の優れたレイアウトを無駄にします

Claude がプラン組み立て時の実行戦略：

1. 優先的にテンプレート内の N つの異なる layout を N ページのスライドに割り当て（N が不足する場合は SKILL 内で reuse_friendly=true の部分から復用可能な部分を選択）
2. プラン内で特定ページのコンテンツ構造が非常に似ている場合（例：複数の「5 ステップフロー」）、コンテンツを改写して異なる layout で表現することを優先試行（4 ステップ + 5 ステップは異なるフロープロセスページを使用）し、同じ zigzag を 2 回使わない
3. スモークテスト完了後、「Layout 再利用検出」セクションの出力を確認：(!) 必須修正、(i) 情況に応じて修正；プラン内の対応スライドの layout_id を修正してください
4. キャッシュ JSON を見て layout を選択：cat <cwd>/template_cache/<sha256>.json | jq '.layouts[] | {id, page_type, reuse_friendly, summary}' で一目見てテンプレートにどのレイアウトが選択可能かわかります

generate_ppt.py はタスク派遣前に自動的に再利用検出を 1 回実行し、警告をターミナルに出力し、実行をブロックしません。

スキル呼び出し規約

ユーザーが「PPT を作成する」/ 「スライドを生成する」と言ったとき：

1. 先に 3 つのことを聞く（直接実行しないでください）：
   • コンテンツ / ページ数 / 観客は誰？
   • スタイル選好？「10 種類の組み込みスタイル」表のシーンカテゴリに基づいて 1-2 個を推奨；またはユーザー自身の .pptx テンプレートをアップロード（--template-pptx を使用、自動レンダリング）
   • 単ページテストで 1 枚の画像を先に見て効果を確認する必要がありますか？（--slides 1）
2. 先に slides_plan.md を書く ユーザーに確認するためのテキスト内容（md は source of truth、人間のレビューに優しい）
3. slides_plan.json に変換：python3 scripts/md_to_plan.py slides_plan.md -o slides_plan.json（json は生成済みとマークされ、手動では変更しないでください；テキストを変更する場合は md に戻して修正してから変換します）
4. generate_ppt.py を実行、先に --slides 1