| English | Chinese |
PPT Master 可以把演讲者备注转成逐页音频旁白（默认基于 edge-tts —— 微软 Edge 的在线神经网络语音；也可配置 ElevenLabs、MiniMax、Qwen TTS、CosyVoice 使用高质量或复刻音色）。Edge、ElevenLabs、MiniMax，以及支持时间戳的 CosyVoice 音色，都会从同一次合成返回的 provider 计时生成逐页 SRT。Qwen 当前 TTS API 不返回时间戳，因此仍只生成音频。音频可继续嵌入 PPTX，供 PowerPoint 使用原生视频导出。
<project_path>/audio/，文件名与 SVG 对齐（01_cover.mp3、02_market_landscape.mp3 …）。<project_path>/audio/（01_cover.srt、02_market_landscape.srt …）。每个文件使用以 00:00:00,000 为原点的页内时间轴；provider 的词级或字符级时间戳都会重组为同一套紧凑 cue。<project_path>/audio/manifest.json，只记录 provider、模型、音频/字幕格式、相关音色参数，以及代替云端 voice ID 原文的 SHA-256 指纹；不包含逐页清单、产物哈希或 API Key，正常生成过程也不会读取它。animations.json 与逐页 SRT 会派生 narration_animations.json，让无点击对象动画等待相关字幕 cue；与旁白无关的自定义动画则保留规范配置中的原始计时。两个动画 sidecar 都不存在时，旁白导出不会创建 sidecar，而是继承基础导出的已解析 motion。存在逐页 SRT 时，这些路径都可以生成与最终 PPTX 时间轴一致的 <project_path>/audio/total.srt；PowerPoint 导出视频后，video_subtitles.py 可把冻结的旁白文本与实际视频音轨对齐，生成交付用外挂字幕。exports/ 生成新版 PPTX，每页对应的 m4a / mp3 / wav 音频已嵌入到该页，且页面推进时间根据可配置的页前起始下限、音频长度和页尾停留自动设置——无人值守自动播放和视频导出都不用再手动调时间。旁白不会早于页面转场结束时启动。powerpoint_video.py 把最终带旁白 PPTX 交给 PowerPoint 2016+，并等待其原生 MP4 编码成功或失败。该 raw MP4 保留视觉动画与旁白路径，但 PowerPoint 不保证把原生转场音效或对象动画音效写入视频音轨。video_sound_mix.py 会生成独立的 float SFX WAV、最终混音 MP4 和 JSON 回执，证明 stem 已进入实际成片音轨，同时视频流保持不变。video_sound_mix.py。[过渡] / [停顿] 这种舞台标记，也没有 要点： / 时长： 这种 meta 行——念出来的内容就是页面上的内容。zh-CN / en-US / ja-JP / ko-KR / …）和所选 provider 拉取或解释可用音色，挑出 3–6 个候选，并用当前聊天语言为每个写一句调性说明（如“稳重男声·适合财报”）。语速/风格也会基于 notes 信息密度给出推荐值。audio/；Qwen 和显式 CosyVoice 纯音频模式只写音频。完整生成成功后会原子写入 audio/manifest.json 记录来源。对于选择旁白 cue 同步的 Generate PPTX，逐页 SRT 与规范自定义动画会让 AI 将当前 SVG 内容组映射到编号后的 SRT cue，并派生无点击的 narration_animations.json；与旁白无关的自定义动画保留规范计时，没有动画 sidecar 时则继承基础导出的已解析 motion。随后再导出带音频的 PPTX；存在逐页 SRT 时，才从该 PPTX 读回实际计时并合并。自动视频交付继续调用 PowerPoint 原生编码器，存在 cue 时再完成验收后的混音；显式选择实时放映录制时，则捕获 PowerPoint 实际全屏画面与系统音频、跳过混音，并将交付字幕对齐到验收后的录屏。不支持长音频导入或自动拆分。字幕保持为外部 SRT 文件：PPT Master 不把字幕嵌入 PPTX，也不烧录进 MP4。自动视频导出委托给本机 Windows PowerPoint，并不是另一套渲染器。
共享阶段见 workflows/stages/generate-audio.md。
| 命令 | 用途 |
|---|---|
--recorded-narration audio |
准备 PowerPoint 的”录制的计时和旁白”。要求每页都有音频，并写入页面自动推进时间。用于旁白视频导出。重导出文件保存为 exports/<name>_<timestamp>_narrated.pptx。 |
--narration-audio-dir audio |
底层音频嵌入能力。只嵌入匹配到的文件，允许部分页面有音频。用于测试或后续手工整理。导出文件同样带 _narrated 后缀。 |
--narration-start-floor 0.8 |
可选的页前参数：从目标页转场开始计，到旁白启动的最短秒数。默认 0.8；设为 0 表示转场结束后立即开始。 |
--narration-padding 0.5 |
可选的页尾参数：旁白结束后、页面推进前的静默停留秒数。默认 0.5。 |
两个计时参数都可以省略，也可以独立覆盖。转场结束后的实际静默时间为 max(0, narration_start_floor - transition_duration)；调整起始下限不会拉长转场本身。
deck 导出后，在聊天里直接说就行：
你: 给这个 PPT 生成音频
你: 帮我用日语给这个 deck 配一个温柔女声的旁白
你: Generate narration for this deck and re-export with audio embedded.
Generate 路线在最终 Stage 2 把 Narration Audio 的有效结果解析为开启时， 也会主动运行该阶段；后续明确指令仍优先于主动默认值。剩下的 AI 全包。
凡是 edge-tts 支持的 locale 都行——大约 90 个，覆盖中文全部主要变体（zh-CN 普通话 / zh-TW 台湾普通话 / zh-HK 粤语）、英文（美/英/澳/印）、日语、韩语、法语、德语、西班牙语、葡萄牙语、俄语、阿拉伯语等。任何 locale 的全量音色清单都可以这样查：
python3 skills/ppt-master/scripts/notes_to_audio.py --list-voices --locale ja-JP
如果你想跳过 AI 流程直接跑命令：
# 1. 确保备注已切分（后处理 Step 7.1）
python3 skills/ppt-master/scripts/total_md_split.py <project_path>
# 2A. 用 edge-tts 生成 MP3/SRT 对（默认，无需 API Key）
python3 skills/ppt-master/scripts/notes_to_audio.py <project_path> \
--voice zh-CN-YunjianNeural --rate +0%
# 2B. 用 ElevenLabs 生成 MP3/SRT 对（需要 ELEVENLABS_API_KEY）
export ELEVENLABS_API_KEY="your-elevenlabs-api-key"
python3 skills/ppt-master/scripts/notes_to_audio.py <project_path> \
--provider elevenlabs \
--voice-id <elevenlabs-voice-id> \
--elevenlabs-model eleven_multilingual_v2
# 2C. 用 MiniMax 生成 MP3/SRT 对（支持系统音色或复刻 voice_id）
export MINIMAX_API_KEY="your-minimax-api-key"
# 默认使用国内地址；海外访问可设置 MINIMAX_TTS_BASE_URL=https://api.minimax.io/v1/t2a_v2
python3 skills/ppt-master/scripts/notes_to_audio.py <project_path> \
--provider minimax \
--voice-id <minimax-voice-id> \
--minimax-model speech-2.8-hd
# 2D. 用 Qwen TTS 仅生成音频（系统音色或复刻音色）
export DASHSCOPE_API_KEY="your-dashscope-api-key"
python3 skills/ppt-master/scripts/notes_to_audio.py <project_path> \
--provider qwen \
--voice-id <qwen-voice> \
--qwen-model qwen3-tts-flash \
--qwen-language-type Chinese
# 2E. 用支持时间戳的 CosyVoice 音色生成 MP3/SRT 对
export COSYVOICE_API_KEY="your-dashscope-api-key"
python3 skills/ppt-master/scripts/notes_to_audio.py <project_path> \
--provider cosyvoice \
--voice-id <cosyvoice-voice> \
--cosyvoice-model cosyvoice-v3-flash
# 3-4. 仅当选择旁白 cue 同步，且逐页 SRT 与规范 animations.json 都存在时，
# 输出整套 SRT 的指纹，
# 再对照每页当前 SVG 内容组与 SRT cue，编写
# <project_path>/narration_timing.json；没有对应口播的组不写 cue，
# 后续按正常动画顺序出现。旁白无关的自定义动画或无 sidecar 时直接跳到第 5 步。
python3 skills/ppt-master/scripts/narration_sync.py fingerprint <project_path>
# 4. 从规范 animations.json 派生无点击的 narration_animations.json
python3 skills/ppt-master/scripts/narration_sync.py animations <project_path> \
--narration-start-floor 0.8 --narration-padding 0.5 --force
# 5A. 与旁白 cue 同步的自定义动画：使用派生 sidecar
python3 skills/ppt-master/scripts/svg_to_pptx.py <project_path> \
-o <final_narrated_pptx> --recorded-narration audio \
--narration-start-floor 0.8 --narration-padding 0.5 \
--animation-config narration_animations.json \
--inherit-motion-from "<base_postflight_report>"
# 5B. 与旁白无关的自定义动画：使用规范计时
python3 skills/ppt-master/scripts/svg_to_pptx.py <project_path> \
-o <final_narrated_pptx> --recorded-narration audio \
--narration-start-floor 0.8 --narration-padding 0.5 \
--animation-config animations.json \
--inherit-motion-from "<base_postflight_report>"
# 5C. 没有动画 sidecar：继承基础导出的 motion，包括 -a auto
python3 skills/ppt-master/scripts/svg_to_pptx.py <project_path> \
-o <final_narrated_pptx> --recorded-narration audio \
--narration-start-floor 0.8 --narration-padding 0.5 \
--inherit-motion-from "<base_postflight_report>"
# Quick Generate 在所选命令后追加 --quick-generate --with-notes。
# 原生导出混音分支存在已解析音效 cue 时，还需在所选导出命令中追加
# --conversion-trace <final_narrated_trace>；实时放映录制不依赖该 trace 交付声音。
# 6. 存在逐页 SRT 时，按最终 PowerPoint 计时合并
python3 skills/ppt-master/scripts/narration_sync.py subtitles <project_path> \
--pptx <final_narrated_pptx> --force
# 7. Windows 可选：通过 PowerPoint 导出 raw 视频并等待完成
python3 skills/ppt-master/scripts/powerpoint_video.py --check
python3 skills/ppt-master/scripts/powerpoint_video.py \
<final_narrated_pptx> -o exports/<raw_powerpoint_video>.mp4
# 8. 原生导出分支的最终 motion 存在音效 cue 时，生成独立 SFX stem 与
# 验收后的混音成片。默认：转场音约 35%，对象音约 25%，最终限幅 -1 dBFS。
python3 skills/ppt-master/scripts/video_sound_mix.py <project_path> \
--pptx <final_narrated_pptx> \
--trace <final_narrated_trace> \
--video exports/<raw_powerpoint_video>.mp4 \
-o exports/<final_mixed_video>.mp4 --force
# 9. 存在逐页 SRT 时，把冻结的旁白文本与最终视频音轨对齐；
# 第 8 步执行过就使用 mixed，选择录屏则使用验收后的 capture，否则使用 raw。
python3 skills/ppt-master/scripts/video_subtitles.py <project_path> \
--video "<final_delivery_video>" --language <language> --force
发送任何 TTS 请求前，notes_to_audio.py 会确认每个 Generate SVG 页面或
Edit Native PPTX 输出页面都有可读且非空的逐页备注。缺失或空备注会返回
退出码 2；必须先生成这些备注，再重新运行音频生成。
edge 模式下 --voice 是必填项，可用 --list-voices --locale <locale> 查看音色。
Edge 默认同时生成最多 3 页音频/SRT。可用 --concurrency <N> 调整；
排查连接问题时可设为 --concurrency 1。云端 provider 仍保持串行。
Edge 命令会从同一次流式请求中生成 audio/<stem>.mp3 与 audio/<stem>.srt。句末标点必定结束一条字幕；单条超过默认 20 个可见字符时，优先在逗号、分号或冒号处拆分，仍然过长才在最近的词边界拆分。可用 --subtitle-max-chars 调整上限。相邻字幕最多允许 100 毫秒的计时重叠：后一句起点会移到前一句终点；超过该范围则报错。每页 SRT 使用从零计时的页内时间基准，并保留 Edge WordBoundary 的实际时间（包括首条字幕前的静音）。
MiniMax 会在同一次非流式 T2A 请求中获取词级字幕并下载返回的 JSON 时间戳。ElevenLabs 使用 /with-timestamps 接口，从同一 JSON 响应读取音频和原文字符级对齐。CosyVoice 开启 HTTP 流式响应与 word_timestamp_enabled，再使用同次合成返回的完整音频 URL 和词级时间戳。四条 provider 原生计时路径统一使用标点优先、受 --subtitle-max-chars 约束的重组逻辑，并原子发布通过校验的音频/SRT 对；整理后的紧凑 cue 用于语义动画映射。
CosyVoice 的时间戳能力取决于模型和音色组合：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2 的复刻音色支持，CosyVoice 音色清单里明确标记支持时间戳的系统音色也支持。模型与音色家族必须匹配。如果所选音色不能返回计时，而且明确只需要音频，可传入 --cosyvoice-audio-only。
Qwen 当前 TTS 的 HTTP 与实时响应都只返回音频，不含词级或字符级对齐。PPT Master 因此保留 Qwen 纯音频路径，不用理论时长估算 SRT。需要逐页字幕时，请选择 Edge、ElevenLabs、MiniMax 或支持时间戳的 CosyVoice 音色。
| 服务商 | 逐页 SRT | 原始计时 | 当前默认裁决 |
|---|---|---|---|
| Edge | 支持 | 词级 | 保留所选神经网络音色与 +0%；只有 notes 密度确实需要时才小幅调速。 |
| ElevenLabs | 支持 | 原文字符级对齐 | 保留 eleven_multilingual_v2 与 mp3_44100_128，适合稳定长文旁白。显式调速使用 --elevenlabs-speed 0.7-1.2；eleven_v3 表现力更强但波动更大，Flash v2.5 更偏延迟与成本。 |
| MiniMax | 支持 | 词级 | 保留现有 speech-2.8-hd、32 kHz 单声道 MP3 默认值，除非所选音色或交付目标另有要求。 |
| Qwen | 不支持 | 当前 TTS 响应无计时 | 保留稳定版 qwen3-tts-flash；单语 deck 明确指定 --qwen-language-type。当前接口固定返回 WAV，不提供格式、采样率或数值语速控制；Instruct 模型仍可通过指令控制表达。不为了不存在的时间戳盲目换模型。 |
| CosyVoice | 有条件支持 | 词级 | 保留兼容系统音色的 cosyvoice-v3-flash 与 24 kHz MP3 默认值。复刻/设计音色使用其所属模型；v3.5 音色必须显式选择匹配的 v3.5 模型。 |
CLI 会在发送请求前拒绝超出范围的 ElevenLabs stability/similarity/style、0.7-1.2 以外的 ElevenLabs 语速，以及不符合 provider 官方范围的 CosyVoice 音量、语速、音高或采样率。
以上裁决依据当前 ElevenLabs 带时间戳语音接口、ElevenLabs 模型指南、Qwen TTS API 与 Qwen-Audio-TTS/CosyVoice HTTP API。阿里云目前建议 CosyVoice HTTP 使用北京地域的 workspace 专属域名；有该域名时通过 --cosyvoice-base-url 传入，旧域名仍可用。
阿里云当前的 TTS 模型选型指南建议新建的预置/复刻音色工作流优先考虑 Qwen-Audio 3.0。但这些模型使用 Qwen-Audio-TTS/CosyVoice API 和另一套音色契约，仍不返回时间戳。因此 PPT Master 不会静默替换兼容的 qwen3-tts-flash 默认值；只有确实为了音质迁移时，才显式更换模型及其匹配音色，而不是为了字幕能力盲目迁移。
audio/ 是唯一的当前旁白集，来源由 manifest 记录，因此默认不创建 provider 子目录。重新生成前，脚本会移除过期的 manifest.json 与 total.srt；仅生成音频的 provider 还会移除同名旧逐页 SRT。只有明确需要保留另一套 provider 结果时，才使用单独的显式输出目录。
选择旁白 cue 同步且存在规范自定义动画时，narration_timing.json 与只读的 animations.json 刻意分离：前者记录整套有序 SRT 的 SHA-256、可选的旁白起始下限、页尾 padding、有序 SVG 组 ID 和可选的 1-based cue 编号。narration_sync.py animations 会拒绝过期的 SRT 指纹，用当前 SVG 校验组 ID，并把 PowerPoint 支持的字段写入派生的 narration_animations.json。与 cue 绑定的动画使用和嵌入音频相同的页前起始下限；未绑定 cue 的标题或装饰动画保留规范相对时间。包含 effects[] 的分组仍只映射一条 cue：第一条有效动画行锚定该 cue，后续动画行保留相对延迟。与旁白无关的自定义动画直接使用规范 animations.json；没有 sidecar 时继承基础报告的已解析 motion。narration_sync.py subtitles 从最终 PPTX 读取真实页面关系顺序、毫秒级转场、旁白延迟与页面推进时间，因此 total.srt 使用原生 PPTX 时间轴。相对 --pptx 路径按 <project_path> 解析。
PowerPoint 的视频编码器可能把每个页面 / 媒体段落量化到输出帧时钟；即使 PPTX 计时值正确，这些很小的分页误差仍可能逐页累积。video_sound_mix.py 复用逐页旁白相关性，把每个转场 / 对象音效从理论 PPTX 时钟映射到 raw MP4 时钟，而不是直接叠加两套独立时间轴。video_subtitles.py 再使用 stable-ts，把冻结的旁白原文与最终 .mp4 / .wmv / .mov 音轨强制对齐；交付时可为显示效果拆分过长 cue，并生成与视频同名的 SRT，不会改写视频、备注或逐页字幕。
最终带旁白的 SVG 导出使用默认文本流模式即可：在一个禁用自动换行的可编辑文本框中保留作者断行；旁白不要求每一行拆成独立文本框。
{
"version": 1,
"srt_sha256": "<sha256 of the ordered page-local SRT set>",
"narration_start_floor": 0.8,
"narration_padding": 0.5,
"slides": {
"01_title": {
"groups": [
{ "id": "page-title", "cue": 1 },
{ "id": "supporting-visual" }
]
}
}
}
ElevenLabs 模式下 --voice-id 是必填项，可从账户中列出音色：
export ELEVENLABS_API_KEY="your-elevenlabs-api-key"
python3 skills/ppt-master/scripts/notes_to_audio.py --provider elevenlabs --list-voices
MiniMax、Qwen 与 CosyVoice 使用 --voice-id 传入对应平台的系统音色或复刻音色 ID。声音复刻本身先在对应平台控制台 / API 中完成，notes_to_audio.py 使用得到的 voice ID 生成逐页旁白。
进入 PPTX 的旁白音频必须是 PowerPoint 可靠格式：m4a（AAC）、mp3 或 wav。内置生成路径默认使用 mp3；如果 provider 产出 pcm、opus 或 flac，需要先转码再嵌入。
四个云端 provider —— ElevenLabs、MiniMax、Qwen、CosyVoice —— 都支持用一段较短的音频样本复刻一个新音色，再用这个音色合成新语音。只要你能拿到 voice_id，PPT Master 就能用这个音色把整份 deck 念出来。（edge 不支持复刻。）
职责切分：声音复刻本身在 provider 的控制台或 API 完成——你上传一段样本（一般 10 秒到几分钟的干净录音），平台给你返回一个 voice_id。PPT Master 在消费侧：拿到 voice_id 后用这个音色逐页朗读备注。PPT Master 不会把你的样本上传到任何地方。
| 服务商 | 复刻入口 | 样本时长 |
|---|---|---|
| ElevenLabs | elevenlabs.io → Voices → Add Voice → Instant / Professional Voice Cloning | 1 分钟（Instant）/ 30 分钟以上（Professional） |
| MiniMax | platform.minimaxi.com → 语音克隆 | 10 秒 – 5 分钟 |
| Qwen TTS | DashScope 控制台 → 语音合成 → 声音复刻 | 10 秒 – 5 分钟 |
| CosyVoice | DashScope 控制台 → 语音合成 → 音色复刻 | 10 秒 – 5 分钟 |
复刻完之后怎么用 —— 在聊天里告诉 AI 即可，AI 会跳过音色推荐环节直接用你的 voice_id：
你: 用 MiniMax 我克隆的音色生成旁白，voice_id 是 xxxxxxx
你: 用我在 ElevenLabs 复刻的 voice id abc123 生成
也可以直接跑脚本：
python3 skills/ppt-master/scripts/notes_to_audio.py <project_path> \
--provider minimax --voice-id <你的复刻 voice id> \
--minimax-model speech-2.8-hd
把 --provider minimax 换成 elevenlabs / qwen / cosyvoice 就能切到对应平台；--voice-id 接收复刻音色和接收系统音色的方式完全一样。
注意：
eleven_multilingual_v2 和 CosyVoice 通常最宽容。voice_id；保留、删除与过期规则以各平台政策为准。python3 -m pip install edge-tts
已写入 skills/ppt-master/requirements.txt。edge-tts 调用微软的在线 TTS 服务，生成时需要联网；生成后的音频是本地文件，PowerPoint 播放和视频导出都不依赖网络。云端 TTS provider 不需要额外 Python 包，直接通过 HTTPS 调用；API Key 可以设在当前 shell 环境中，也可以按 .env.example 写入 .env。
自动 MP4 导出不增加 Python 依赖，但要求 Windows PowerPoint 2016+ 与 Windows PowerShell；macOS 或没有兼容 PowerPoint 的机器保留带旁白 PPTX，改用手动导出。
实时放映录制不增加 PPT Master 依赖，但需要桌面版 Windows PowerPoint 和能 捕获放映画面及应用 / 系统音频的录屏器。OBS Studio 和 Windows Game Bar 只是可选工具示例，不是项目依赖。
导出后混入动画音效需要系统 PATH 中可用的 ffmpeg / ffprobe 以及
numpy；最终视频字幕对齐另需 stable-ts：
python3 -m pip install numpy stable-ts
+0%，较密且刻意保留细节的讲稿可尝试 -5%。notes/<page>.md，再跑一次 notes_to_audio.py（脚本会重新生成全量 MP3，整套 deck 跑一遍成本很低）。只选择一条交付路径：
| 路径 | 适用情况 | 声音结果 |
|---|---|---|
原生 CreateVideo |
需要自动、可重复的流程 | 原生包含旁白；存在已解析转场 / 对象 cue 时必须运行 video_sound_mix.py。 |
| PowerPoint 实时放映录制 | 明确希望成片包含 PowerPoint 实际播放的全部声音 | 录屏已经包含旁白和原生 cue，不能再运行 video_sound_mix.py。 |
| 手工执行“创建视频” | 自动化不可用，但可以接受 PowerPoint 编码器 | 声音边界与原生 CreateVideo 相同；这不是录屏。 |
带旁白的 PPTX 在 exports/ 里就绪后，Windows PowerPoint 2016+ 可通过下面的接口自动导出：
python3 skills/ppt-master/scripts/powerpoint_video.py \
<final_narrated_pptx> -o <raw_powerpoint_video.mp4>
命令使用录制的计时和旁白，默认输出 1080p/30fps，并在 PowerPoint 明确成功或失败后才返回。嵌入音频作为逐页旁白播放，页面自动推进时间控制视频节奏。--recorded-narration 会拒绝 on-click 对象动画，因为 PPT Master 不生成对象级点击计时。
即使 animations.json 和 PPTX package 校验通过，PowerPoint 的 raw MP4
也不保证包含附着在转场或 Animation Pane 行上的声音。Generate 项目的最终
narrated trace 含这些 cue 时，按上面的命令运行 video_sound_mix.py：原生声音
仍保留在可编辑 PPTX 中，视觉视频流原样复制，旁白保持 unity，提示音先降增益再
与旁白混合，最终经过峰值限幅，并输出独立 SFX stem 与机器可读验收回执。字幕应
基于 mixed MP4 对齐，而不是 raw 中间产物。
这是显式选择的实时采集路径。PowerPoint 仍是渲染器和音频播放器，录屏器只负责 捕获其输出。
video_subtitles.py，把冻结旁白文本对齐到真实录制音轨。当前录屏验收依赖人工检查，PPT Master 不会声称它具有机器化 cue 回执。如果 cue 盖住旁白或发生削波，应调整 PPTX / cue 素材后重新录制，或改用带确定性增益和限幅 的原生导出加混音路径。Linux 可以准备完整的带旁白 PPTX、音频、计时和字幕，但 这一步仍需要真实的桌面版 Windows PowerPoint 播放端。
exports/ 里那份带旁白的 .pptx。.mp4（Windows 也支持 .wmv）。video_subtitles.py 对齐命令；它会把同名 SRT 写在视频旁边。PowerPoint for Mac 可以手动导出 MP4/MOV，但微软明确说明其影片导出不会播放动画效果。需要动画保真时，应使用 Windows 自动导出路径。
Keynote（Mac）：打开 deck → 文件 → 导出到 → 影片… ——Keynote 可以读取嵌入的旁白和分页计时，输出 .m4v / .mov；这不构成 PowerPoint 动画音效已进入成片的保证。
经验值：
notes/<page>.md，再跑一遍 notes_to_audio.py + 嵌入步骤，再重新导出视频——单页迭代通常不到一分钟。