Echo Slides Skill：一行命令装进所有 Agent，从演讲视频自动提取去重幻灯片

这个痛点存在了很久

你在 YouTube 上看到一场精彩演讲，想把 PPT 存下来——但主办方没放原文件，只有视频。手动截图费时、截到转场动画、同一页截两次……这件事做起来比想象中烦。

Echo Slides Skill 解决的就是这个问题。一行命令装进你的 Agent 环境，之后直接对 Claude Code（或 Codex、Cursor、OpenCode）说”帮我把这个视频里的幻灯片扒出来”，它就去做了。

npx skills add xiangzhouEcho/Echo-Slides-Skill -g

-g 安装到用户级目录（~/.claude/skills/），所有项目都能用。不加 -g 则只安装进当前项目。

---

核心洞察：幻灯片是区间，不是帧

大多数”视频截图”工具都在做同一件事：每隔 N 秒截一帧，然后用简单的相似度过滤重复。这会导致两个问题：

1. 截到转场残影：两页之间淡入淡出的中间状态也被当作一页保留
2. 漏掉快翻的页：2 秒采样，1.5 秒就翻过去的页会被漏掉
3. 全局去重失效：目录页在第 1 分钟和第 18 分钟各出现一次，只跟上一帧比是识别不出来的

Echo Slides Skill 的核心判断是：

一页幻灯片是”画面停止变化的区间”，不是某一帧。

具体做法：先用 2 秒间隔抽探针帧，把连续不变的帧归成稳定区间，取区间中点帧作为代表——这样天然避开了淡入淡出的转场。

---

双签名去重：结构 + 颜色缺一不可

识别”这两页是不是同一张”是整个系统里最微妙的地方。Echo Slides Skill 用两个签名同时判断：

签名	算法	感知什么
256 位 dHash	差值感知哈希，捕捉相邻像素的亮度梯度	版式和内容结构
8×8 RGB 网格	把整张图划成 64 个色块，取各块平均色	整体配色方案

为什么两者缺一不可：

• 两张图如果只是配色不同（比如同一份 PPT 的深色主题和浅色主题），灰度哈希距离是 0，只靠 dHash 会认为它们是同一页。颜色网格签名把它们区分开。
• 两张图如果配色完全一样但内容不同，颜色签名不够用，dHash 的结构感知把它们分开。

必须同时匹配才算同一页——这是 Echo Slides Skill 实测零重复的关键。

还有一个额外的落盘复查：对真正写到磁盘上的图再做全分辨率哈希，不信任探针阶段的低分辨率判断。

---

安装与使用

安装

# 推荐：全局安装，所有 Agent 项目通用
npx skills add xiangzhouEcho/Echo-Slides-Skill -g

# 或者手动克隆
git clone https://github.com/xiangzhouEcho/Echo-Slides-Skill.git \
  ~/.claude/skills/echo-slides-skill

# 依赖
pip install numpy pillow
brew install ffmpeg yt-dlp   # yt-dlp 只处理网络链接时才需要

基础用法

装好之后，直接对任意 Agent 说：

帮我把这个视频里的幻灯片扒出来：https://youtube.com/watch?v=xxxxx

或者本地文件：

把 ~/Downloads/webinar.mp4 里的幻灯片提取出来

输出：slide-001.png、slide-002.png……以及 slides.json（每页对应的视频时间戳）。

进阶场景

# 动画分步——只要最终状态
把这场 webinar 的 deck 提取出来，动画分步只保留最终状态。

# 摄像头小窗——只分析幻灯片区域
这个视频右侧有摄像头小窗，只分析左边的幻灯片区域。

# 限定时间段
从第 5 分钟到第 20 分钟这一段提取幻灯片就行。

# 提取后汇总核对
提取完把所有页拼成一张图给我逐页核对。

对应的底层参数（Agent 会自动选择，也可以直接传）：

python scripts/extract_slides.py video.mp4 \
  --interval 1          # 采样密度：每秒一帧（默认 2 秒）
  --min-duration 3      # 最短稳定区间：过滤动画分步
  --crop W:H:X:Y        # 裁剪区域：去掉摄像头小窗
  --start 5:00          # 开始时间
  --end 20:00           # 结束时间
  --format jpg          # 输出格式（默认 PNG）

---

实测数据

在一场 20 分钟的 ECMWF（欧洲中期天气预报中心）网络研讨会上实测：

• 39 页，1920×1080 分辨率
• 零重复，零转场残影
• 提取时间：约 90 秒

内置回归测试（scripts/selftest.py）合成一份带陷阱的假 deck——包含只改配色的重复页、快速翻页、重复出现的目录页——断言提取结果一页不多一页不少。

---

适合 / 不适合的场景

✅ 适合：

• 大会演讲 / 网络研讨会（GTC、NeurIPS、ICML、TED……）
• 网课视频（有 PPT 的那种）
• 公司内部录播会议，需要整理 deck 分享给没参会的人
• 看完视频想引用某一页的内容，用 slides.json 的时间戳定位原视频

❌ 不适合：

• 没有幻灯片的纯人物镜头（每次镜头切换都会被当成翻页）
• 本来就能直接下载 PDF 的情况（直接下 PDF 更快）
• 动画特别多、大量分步展开的场合（调大 --min-duration 可以缓解，但不能完全消除）

---

Skills 生态的意义

Echo Slides Skill 的安装方式（npx skills add）是一个值得关注的趋势：Agent Skill 开始像 npm 包一样分发。Claude Code、Codex、Cursor、OpenCode 用同一套安装命令，同一个 Skill 文件——不需要为每个 Agent 写不同的插件。

这意味着社区可以围绕”Agent 能做什么”构建一个可复用的技能库，而不是每个 Agent 工具各自为政。Echo Slides Skill 是这个生态里一个完整、自测的参考实现。

---

总结

Echo Slides Skill 做了一件小而精确的事：把演讲视频变回幻灯片，消除重复，给每页打上时间戳。双签名去重（dHash 管结构 + RGB 网格管配色）+ 全局比对 + 落盘复查，解决了单纯帧差方案的三个已知漏洞。装进 Agent 后，这件事从”手动截图半小时”变成”说一句话”。

GitHub: xiangzhouEcho/Echo-Slides-Skill
安装: npx skills add xiangzhouEcho/Echo-Slides-Skill -g

Echo Slides Skill: One Command, All Agents — Extract Deduplicated Slides from Any Talk Recording

You found a great talk on YouTube. The organizers didn’t post the slides — only a recording. Manual screenshots mean catching transition frames, duplicating pages, and spending twenty minutes on something that should take seconds.

Echo Slides Skill fixes this. One command installs it into your agent environment; then just tell Claude Code (or Codex, Cursor, OpenCode): “extract the slides from this video” — and it does.

npx skills add xiangzhouEcho/Echo-Slides-Skill -g

-g installs globally to ~/.claude/skills/ so every project can use it. Drop -g for project-local only.

Core Insight: A Slide Is an Interval, Not a Frame

Most “video screenshot” tools do the same thing: sample every N seconds, filter near-duplicates. This fails in three ways: transition artifacts (mid-fade frames get saved), fast page skips (a slide on screen for 1.5 seconds gets missed at 2-second sampling), and no global dedup (a title slide appearing at minute 1 and minute 18 isn’t caught if you only compare against the previous frame).

Echo Slides Skill’s key judgment:

A slide is “an interval where the screen stops changing,” not a single frame.

It samples probe frames every 2 seconds, groups consecutive unchanged frames into stable intervals, and picks the midpoint frame as the representative — naturally avoiding transition artifacts.

Dual-Signature Dedup: Layout + Color

Deciding “are these two slides the same?” is the subtlest part. Echo Slides uses two signatures simultaneously:

Signature	Algorithm	What it senses
256-bit dHash	Difference perceptual hash on luminance gradients	Layout and content structure
8×8 RGB grid	64 color-block average	Overall color scheme

Why both? If two slides differ only in color scheme (light vs. dark theme of the same content), grayscale dHash distance is 0 — only the color grid tells them apart. If two slides have identical colors but different content, dHash handles it. Both must match to count as a duplicate. This is how the tool achieves zero false duplicates in testing.

A final write-verify pass re-hashes at full resolution after writing to disk, catching any duplicates the lower-resolution probe phase may have missed.

Install & Use

pip install numpy pillow
brew install ffmpeg yt-dlp   # yt-dlp only needed for URLs

npx skills add xiangzhouEcho/Echo-Slides-Skill -g

After installing, just talk to any compatible agent:

Extract the slides from this video: https://youtube.com/watch?v=...

Output: slide-001.png, slide-002.png, … plus slides.json with each slide’s timestamp.

Advanced requests:

Animated builds — keep only final state:
"Extract the deck, animation build steps keep only the final state."

Camera pip window — analyze only the slides region:
"There's a camera window on the right, analyze only the left slide area."

Time range:
"Extract slides from minute 5 to minute 20 only."

Contact sheet for review:
"After extracting, tile all slides into one image for me to check."

CLI flags (the agent selects these automatically, or you can pass them directly):

python scripts/extract_slides.py video.mp4 \
  --interval 1         # sampling density: 1 frame/sec (default: 2)
  --min-duration 3     # minimum stable interval: filters animation builds
  --crop W:H:X:Y       # crop to slides-only region
  --start 5:00         # start time
  --end 20:00          # end time

Benchmark

Tested on a 20-minute ECMWF webinar: 39 slides, 1920×1080, zero duplicates, zero transition artifacts.

The built-in regression test (scripts/selftest.py) generates a synthetic trap deck — color-only duplicates, fast page flips, recurring title slides — and asserts the output is exactly right, one slide no more, one slide no less.

What It’s Good For (and Not)

✅ Works well: conference talks (GTC, NeurIPS, ICML, TED), webinar recordings, online courses with slides, internal meeting recordings you need to share as a deck

❌ Not suitable: pure camera footage with no slides (every cut looks like a slide change), talks where you can already download the PDF directly, highly animated decks with many sequential build steps (tuning --min-duration helps but doesn’t fully resolve it)

The Broader Significance: Skills as npm Packages

The npx skills add install pattern is worth noting as a trend: Agent Skills are starting to distribute like npm packages. Claude Code, Codex, Cursor, and OpenCode share the same install command and the same Skill file — no separate plugin needed for each agent. Echo Slides Skill is a complete, self-tested reference implementation for this emerging ecosystem.

GitHub: xiangzhouEcho/Echo-Slides-Skill
Install: npx skills add xiangzhouEcho/Echo-Slides-Skill -g