多くの人がPPT作成に頭を悩ませていることでしょう！コンテンツを作成する際、どんな魅力的な内容にすればいいか絞り出しても出てこない。ようやく数段落捻り出しても、どうも味気なく、光るものがないと感じてしまう。レイアウトがどんなに良くても、一夜明けて見返すとどうもおかしい。
そこで、中国科学院ソフトウェア研究所、中国科学院大学、上海捷心科技有限公司の研究者が協力して、PPT Agentをオープンソース化しました。
PPT Agentは、人間のように優れた参考スライドを分析してコンテンツパターンやレイアウト構造を抽出し、入力ドキュメントの内容に基づいてスライドを段階的に編集・最適化することができます。また、自己修正機能も備えており、生成されたPPTがコンテンツ、デザイン、一貫性のすべてにおいてユーザーの要求を満たし、時間と労力を大幅に節約します。
オープンソースアドレス：https://github.com/icip-cas/PPTAgent
PPTAgentの核となる技術と革新性は、独自の2段階プレゼンテーション生成方法にあります。この設計は、人間がPPTを作成する際の自然なプロセスから着想を得ています。
従来のPPT生成方法は、テキストコンテンツからスライドへの直接変換が多く、視覚的な魅力や構造的な一貫性に欠けるプレゼンテーションになりがちです。一方、PPTAgentは、人間が「参考スライドを選び、段階的に編集する」作業方法を模倣することで、この問題を巧みに解決しました。
第一段階では、PPTAgentは参考プレゼンテーションを深く分析します。まず、スライドをクラスター化し、構造スライドとコンテンツスライドに分類します。構造スライドは、タイトルページや目次ページなど、プレゼンテーション全体の構成を支えるために使用されます。
コンテンツスライドは、箇条書きやグラフなどの具体的な情報を伝えるために使用されます。大規模モデルの強力な能力を活用することで、PPTAgentはスライドの構造的な役割を認識し、そのテキスト特徴に基づいてグループ化できます。
コンテンツスライドについては、画像に変換し、階層的クラスター化方法を適用して類似のスライド画像をグループ化します。その後、PPTAgentはマルチモーダル大規模モデルを使用してこれらの画像を分析し、各クラスター内のレイアウトパターンを特定します。このプロセスは、その後のスライド生成のための明確な参考を提供するだけでなく、生成されたプレゼンテーションの構造的な一貫性と論理性を保証します。
コンテンツパターン抽出の面では、PPTAgentはさらに詳細な抽出フレームワークを定義しています。各スライド要素には、カテゴリ、説明、およびコンテンツが付与され、この構造化された表現方法により、スライドコンテンツの構成がより明確になります。
たとえば、スライドにはタイトル、本文、画像などの要素が含まれる場合があり、各要素には明確な説明とデータコンテンツがあります。この詳細なコンテンツパターン抽出は、その後のスライド生成の強固な基盤となり、PPTAgentがスライドのレイアウトとコンテンツ構成をより良く理解できるようにします。
第二段階に入ると、PPTAgentの革新性は、編集ベースの生成方法にあります。ゼロからスライドを生成する従来の方法とは異なり、PPTAgentは適切な参考スライドを選択し、それらを段階的に編集することで新しいスライドを作成します。この方法は、参考スライドの綿密に設計されたレイアウトとスタイルを維持するだけでなく、編集操作を通じてコンテンツの更新と最適化を実現します。PPTAgentは、スライド要素の編集、削除、コピー操作をサポートする一連の編集APIを設計しました。
これらのAPIはHTMLレンダリング技術と組み合わされることで、大規模モデルがスライドコンテンツをより直感的に理解し、変更できるようにします。従来のXML形式と比較して、HTML形式はより簡潔で操作が容易であり、これにより生成プロセスの効率と精度が向上します。
さらに、PPTAgentは自己修正メカニズムも導入し、生成プロセスの堅牢性を高めています。スライド生成プロセス中、生成された編集操作はREPL環境で実行され、操作が参考スライドに適用できない場合、REPLは実行フィードバックを提供し、大規模モデルが編集操作を調整するのに役立ちます。
この反復修正方法により、PPTAgentはエラーや一貫性のないスライドの生成を効果的に回避し、最終的に生成されるプレゼンテーションのコンテンツと構造における高品質を保証します。
PPTAgentの性能をテストするために、研究者はZenodo10Kデータセットから50の参考プレゼンテーションを選択し、同じ分野から50のドキュメントを入力として収集し、5つの分野、10種類の入力ドキュメント、および10種類の参考プレゼンテーションの組み合わせをカバーする500のプレゼンテーションタスクを生成しました。
結果として、PPTAgentはコンテンツ、デザイン、一貫性の3つの次元すべてにおいて、既存のプレゼンテーション生成方法を大幅に上回ることが示されました。たとえば、ルールベースのDocPresやテンプレートベースのKCTVと比較して、PPTAgentはコンテンツ品質を12.1%から28.6%向上させ、デザインを13.2%から40.9%向上させ、一貫性においては25.5%から36.6%の大幅な向上を達成しました。これらの結果は、PPTAgentが高品質で視覚的に魅力的かつ構造的に一貫性のあるプレゼンテーションを生成できることを示しています。