PowerPointをテキストに変換する：.pptxから言葉だけを取り出す
共有ドライブで「解約率の前提」というフレーズを検索してみてください。ヒットする中にプレゼン資料はほとんど 混ざらないはずです——去年、少なくとも3本の資料がその件で議論していたのを覚えているのに。スライドの文字は XMLをZIPで固めた中に閉じ込められていて、たいていの検索ツールは中身を雑にしか見ないか、そもそも飛ばします。 こうして資料は書き込み専用のアーカイブになります。入っていく一方で、何も出てきません。
このページがやるのは、地味で役に立つことだけです。.pptxの中にある文字列をすべて拾い上げ、プレーンテキストとして 返します。スライド本文、発表者ノート、表のセル、テキストボックス。見出し記号もパイプもなく、あとから剥がすべき 構文もありません。検索、埋め込み、書き起こし、コンテンツ棚卸しのためにPowerPointからテキストを抽出 したいなら、欲しいのはこの形の出力です。無料、登録不要、1ファイル50MBまで、変換が終われば何も残しません。
pptxからテキストを抽出すると、何がどの順で出てくるか
抽出はスライドを1枚ずつ、資料の並び順どおりにたどり、各スライド上のすべてのシェイプからテキストを拾います。 タイトル、本文プレースホルダー、独立して置かれたテキストボックス、そしてPowerPointの表オブジェクトのセル—— どれも対象です。発表者ノートは、それが書かれたスライドと一緒についてきます。
ただし1枚のスライドの中での順序は、思っているほど当てになりません。PowerPointはシェイプを読み順ではなく z順、つまり重ね順で保持しているからです。テンプレートどおりに作られたスライドなら実質的に同じ結果になりますが、 段組みや吹き出し、脚注ボックスを手で並べたスライドでは、目で追う順ではなく箱を作った順にテキストが出てくることが あります。とはいえプレーンテキスト用途では、これは響きほど重大ではありません。検索インデックスも埋め込みモデルも、 1枚の中での正確な並びより、どの語とどの語が近くに出てくるかをはるかに重く見ているからです。
ここではMarkdownよりプレーンテキストが向いている理由
プレゼン資料は構造が浅いものです。1枚のスライドにあるのはタイトルと数個の箇条書き、それだけ。章立ての階層も、 番号付きの条項も、5階層のネストもありません。ですから PowerPointをMarkdownに変換 して得られる構造マークアップは、100ページのレポートで得られるほどの見返りをもたらしません。
それどころか、いくつかのパイプラインでは足を引っ張ります。
- 検索インデックス。多くの検索エンジンは記号をノイズとしてトークン化します。
##や-が散らばったコーパスは、照合の手がかりにならないうえに関連度の シグナルをわずかに悪くします。 - 埋め込み。スライド単位でチャンクに分けてベクトル化する場合、構文記号は固定長の入力枠を 意味なく占有します。おまけに毎スライドで同じテンプレート的な語が見出しとして繰り返されると、 チャンク同士がベクトル空間で引き寄せ合ってしまいます。
- スクリプトに流す。次の工程が正規表現、キーワード集計、言語判定、diffなら、 素の行のほうが単純に片づける手間が少なくて済みます。
- 量。40本の資料をまとめて棚卸しするなら、フラットなテキストのほうが総量が小さく、 読み方も最後まで揃います。
逆にMarkdownを選ぶのは、資料の論の組み立てそのものが目的のとき——たとえば講演を記事に起こす場合です。 ページ上部の形式切り替えは選択済みのファイルを引き継ぐので、アップロードをやり直す必要はありません。
ノート欄は、誰も読まない書き起こし
そもそも資料からテキストを取り出す最大の理由がこれです。スライドにあるのは見出しで、文章はノート欄にあります。 発表者は話すつもりの内容をそこに書き出します——ほぼ逐語のこともあれば、話す手がかりだけのこともあり、 そして多くの場合、スライドに載せると煩雑になるからと落とされた但し書きや数字がそこに入っています。
フラットなテキストとして抽出すると、資料のノートはそのまま粗い台本のように読めます。これは直接使えます。 モデルに貼り付けて、表示されたものではなく実際に語られたことを反映した要約を作らせる。他人の資料を代理で 発表するときの原稿にする。会議の録音と突き合わせて、意図した話と実際に伝わった話の両方を手元に置く。 ノート欄が空の資料は出力が目に見えて薄くなりますが、その理由はこれで分かります。
パワポの文字起こしが効いてくる場面
- コンテンツの棚卸し。フォルダ内の資料をすべて変換して連結し、気になる主張をgrepする。 提供終了した製品名、古い料金プラン、改訂されたコンプライアンス文言。古びたスライドを見つけるのが大変な 部分であって、直すのは簡単です。
- 資料を検索可能にする。一度抽出して、テキストをファイルパスと一緒に保存しておく。 それだけでアーカイブが質問に答えるようになります。多くの組織にとって、PPTXのテキスト化で 最も価値が高い使い道がこれです。
- 研修・講義資料。スライドとノートを合わせれば学習用のテキストになります。モデルに 練習問題、用語集、あるいは密度の高い単元の平易な書き直しを頼めます。
- 営業・提案書。過去20本の提案資料からテキストを取り出し、ある機能を以前どう説明していたかを 調べる。新しい提案が、すでに約束した内容と食い違わずに済みます。
- 翻訳とアクセシビリティの点検。シェイプの座標情報だらけのファイルより、フラットなテキストの ほうが翻訳ワークフローにも可読性チェックにもはるかに乗せやすくなります。
分かっている死角
見た目は文字で埋まっている資料が、変換するとほぼ空で返ってくることがあります。原因はこのあたりです。
- 画像の中の文字は画像の中に残ります。文字認識が動くのは直接アップロードした画像ファイルに 対してであって、資料に貼り込まれた絵の中までは踏み込みません。どうしてもその言葉が必要なら、 スライドを画像として書き出してから変換してください。中身が書き出した図1枚、ダッシュボードの スクリーンショット、表を撮った画像といったスライドからは、脇に添えられたキャプション以外は何も出てきません。 期待外れの結果になる原因としては断然これが多いので、資料が空だと結論づける前に確かめる価値があります。
- グラフは絵であって数値ではありません。ネイティブのグラフはデータを埋め込みワークシートに 持っていてスライドのテキストではないため、軸ラベルも値も表に出てきません。その数値が必要なら Excelをテキストにで 元データのほうを変換してください。
- SmartArtは抽出が安定しません。ラベルは取れても、どの箱がどうつながっていたかは 分からないことがあり、工程図が名詞の羅列に化けます。
- アニメーションの順序は消えます。1つずつ現れる箇条書きも、まとめて一度に出てきます。 テキスト側には、そこで段階的な表示があった痕跡は何も残りません。
- 非表示スライド。資料の末尾に非表示の予備スライドが付いていることはよくあります。 テキスト抽出は表示・非表示を区別しないので、聴衆が見たことのない内容まで出てきます。たいていは得ですが、 出力を誰かに渡すときは驚くことがあるので注意してください。
よくある質問
PowerPointをテキストに変換するには？
上の変換ツールに.pptxをドロップすれば、全スライドの文字がプレーンテキストで戻ってきて、.txtとしてダウンロードできます。無料、登録不要、1ファイル50MBまで。資料の並び順どおりに変換されるので、出力はそのまま発表の流れに沿った書き起こしとして読めます。
古い.pptファイルも変換できますか？
そのままでは無理で、このページが受け付けるのは.pptxだけです。対処は10秒で済みます。PowerPoint、Keynote、Googleスライドのいずれかで開いて.pptxとして保存し直してから変換してください。バイナリの.pptは2007年より前の形式で、中身の持ち方が古く、最近の抽出ツールはおおむね対応をやめています。
発表者ノートも取り出せますか？
たいていは取り出せますし、ファイルの中で最も価値があるのはむしろそこです。スライドは意図的に文字が少なく——箇条書き3つとグラフ1枚——、発表者が実際に組み立てた論はノート欄に入っています。資料をモデルに文脈として渡すつもりなら、結果を断片の羅列で終わらせないのはノートの中身です。
グラフ、図、SmartArtはどうなりますか？
シェイプやSmartArtの中の文字は、テキストとして保存されているのでおおむね変換されます。グラフのプロットデータは出てきません。数値は埋め込みワークシートにあり、目に見えている絵のほうにはテキスト層がないからです。ビジュアルで語る資料ほど、変換結果は体感よりはっきり痩せて見えます。
LLMで資料を要約するのに使える出力ですか？
使えますが、渡しているのは物語ではなくアウトラインだという前提を忘れないでください。箇条書きの断片には、口頭で補われていた論理の接続が欠けています。ですから「資料が何を主張していたか」の解釈ではなく「各スライドが何を扱っているか」の構造的な要約を求めるほうが確実です——発表者ノートが取れていれば話は別で、そのときは論のほうも一緒に入っています。
同じ作業で使う他の形式
棚卸しの対象が1形式で収まることはめったにありません。 File2Txt は対応形式なら何でも1つの入力欄で受け取りますし、 ZIPをテキストに は雑多なファイルが入ったフォルダを扱うときの近道です——まとめて圧縮し、1回アップロードすれば、全部テキストで 返ってきます。資料の周辺にある文書なら、 Wordをテキストに、 PDFをテキストに、そして その資料の方針が実際に決まったOutlookのスレッド用に MSGをテキストにがあります。
コードやWebが相手なら、 GitHubをテキストに変換するツールと、 ページ向けのWeb2Txtがあります。 ファイルをテキストに変換するガイド では、これらがどう噛み合うのかをまとめています。
Repo2Txtを開発・運営しているのは v12hero、 プライバシー最優先のネイティブアプリとWebアプリを作る独立系デベロッパーです。