academic-presentations

学術プレゼンテーション

研究論文からスライドデッキ（および任意でナレーション付きデモ動画）を作成します。アウトラインとビジュアルに関する判断はすべて人間が行い、エージェントはその作業を実行します。

パイプライン

[1] Script Draft ──→ [2] Slide Generation ──→ [3] TTS Audio (optional) ──→ [4] Video Assembly (optional)
     Claude Code          nanobanana /edit     edge-tts / Kokoro / ElevenLabs       ffmpeg

スライドのみを出力する場合は、ステージ 3～4 をスキップします。ユーザーはどのステージからでも開始できます。

ステージ 1：台本／アウトライン

入力：論文＋ユーザーが提示したアウトラインまたはスライドプラン
出力：video-scripts.md または slide-outline.md — スライドごとの内容と話すポイント

エージェントは、ユーザーのアウトラインに基づいて台本を作成します。構成を決めるのはユーザーです。エージェントはスライドの枚数、順序、強調する内容を決定しません。

ステージ 2：スライドの生成

詳細なリファレンス：references/slide-generation.md

ツール：nanobanana（Gemini CLI 拡張機能）

優先順位（編集を優先）：

1. 論文の図がある → nanobanana の /edit でスライドフレームに組み込む
2. 既存のスライドがある → /edit で調整する
3. ユーザー提供の参考資料（例：NotebookLM からの資料、またはユーザーが作成した PPTX）→ /edit で仕上げる
4. タイトルスライドを一から作成 → 学術スタイルのプロンプトで生成する
5. コンテンツスライドを一から作成 → デッキスタイルの前文を付けて生成する

重要な原則：一から生成するよりも、高品質な既存の論文図に対して /edit を使うことを優先します。

デッキスタイル：デッキごとに deck-style.md を一度作成し、一から生成するすべてのプロンプトの先頭に追加します。/edit では、スタイルはベース画像から引き継がれます。

deck-style.md の例：

- Canvas: 1920x1080, white background
- Accent: #2563EB blue, text: #1e293b dark slate
- Clean sans-serif, flat design, no gradients/shadows
- Bottom bar: blue accent with white affiliation text

ステージ 3：TTS 音声（任意）

詳細なリファレンス：references/tts-engines.md
バッチスクリプト：scripts/batch_tts_edge.py、scripts/batch_tts_kokoro.py

出力：ナレーション付きスライドごとに音声ファイルを 1 つ

エンジンの選択

エンジン	品質	コスト	レイテンシ	最適な用途
edge-tts（デフォルト）	とても良い	無料、無制限	約 6 秒／スライド（クラウド）	素早い生成、男性音声の品質が良い
Kokoro	とても良い	無料、無制限	約 1.5 秒／スライド（ローカル）	オフライン利用、高速な一括処理、女性音声の品質が良い
ElevenLabs	プレミアム	月 10k 文字まで無料	約 3 秒／スライド（クラウド）	最高品質、音声クローン

デフォルト：ユーザーがオフライン利用またはプレミアム品質を希望しない限り、edge-tts を使用します。

クイックスタート（edge-tts）

import edge_tts, asyncio

async def tts_slide(text, output, voice="en-US-AndrewNeural"):
    await edge_tts.Communicate(text, voice).save(output)

asyncio.run(tts_slide("Your slide text here", "slide_01.mp3"))

音声：AndrewNeural（男性、プレゼンター）、AriaNeural（女性）、GuyNeural（男性、温かみのある声）、JennyNeural（女性、プロ向け）

ステージ 4：動画の組み立て（任意）

ツール：ffmpeg
入力：スライド PNG ＋ 音声ファイル ＋ 任意のデモ録画

# Use symlink to avoid iCloud path spaces: ln -sfn "long path" /tmp/workdir

# Slide with audio:
ffmpeg -y -loop 1 -i slide.png -i audio.mp3 \
  -c:v libx264 -tune stillimage -pix_fmt yuv420p \
  -c:a aac -ar 44100 -ac 2 -shortest seg.mp4

# Silent slide (N seconds):
ffmpeg -y -loop 1 -i slide.png -f lavfi -i anullsrc=r=44100:cl=stereo \
  -c:v libx264 -tune stillimage -pix_fmt yuv420p \
  -c:a aac -ar 44100 -ac 2 -t N seg.mp4

# Concat (always re-encode, never -c copy):
printf "file 'seg1.mp4'\nfile 'seg2.mp4'\n..." > concat.txt
ffmpeg -y -f concat -safe 0 -i concat.txt \
  -c:v libx264 -pix_fmt yuv420p -c:a aac -ar 44100 -ac 2 final.mp4

すべてのセグメントで、サンプルレート 44100Hz、ステレオ、AAC コーデックを共通して使用する必要があります。

PPTX 変換（必要な場合）

詳細なリファレンス：references/pptx-conversion.md

既存の PPTX から始める場合は、まずスライドを PNG 画像に変換します：

soffice --headless --convert-to pdf --outdir output/ presentation.pptx
pdftoppm -png -r 300 output/presentation.pdf output/slide

NotebookLM — 人間が参考にする場合のみ

エージェントは NotebookLM を自動で呼び出したり、その出力をスライドや台本の判断に利用したりしてはいけません。 アウトライン、ビジュアルの配置、デッキの方向性を決めるのは人間です。

推奨する場合：ユーザーがスライドに何を載せるべきか迷っている、またはアイデアが必要だと言った場合に限ります。

注意点

• iCloud のパスに空白があると ffmpeg が動作しません — /tmp/ にシンボリックリンクを作成してください
• 音声形式の不一致は連結時のエラーにつながります — 必ず -ar 44100 -ac 2 を指定して再エンコードしてください
• ElevenLabs の無料枠 — mp3_22050_32 のみ、月 10k 文字
• edge-tts にはインターネット接続が必要です — オフラインの場合は Kokoro に切り替えます
• Kokoro の WAV ファイルは約 7 倍のサイズになります — 動画の組み立て前に ffmpeg で MP3 に変換してください
• Kokoro は初回起動時に約 350MB のモデルをダウンロードします — venv に pip があることを確認してください
• /edit で図が歪む場合があります — 「元の図を完全にそのまま保ち、フレームの追加のみを行ってください」と、より明確に指示してください
• スライド間でスタイルがぶれる場合があります — ベーススライドから /edit を使うか、共有の deck-style.md を先頭に追加してください

依存関係

ツール	ステージ	インストール
Gemini CLI + nanobanana	2	gemini extensions install https://github.com/gemini-cli-extensions/nanobanana
LibreOffice + poppler	2（PPTX）	brew install --cask libreoffice && brew install poppler
edge-tts	3	pip install edge-tts
Kokoro	3（オフライン）	pip install kokoro soundfile
ElevenLabs	3（プレミアム）	pip install elevenlabs + ELEVENLABS_API_KEY
ffmpeg	4	brew install ffmpeg