用途：读取幻灯片、页面或图片实际呈现的视觉内容——文字加上图表、示意图、截图与版式。内置 pptx、pdf 技能只提取嵌入文本，遇到图片型幻灯片、图表或扫描图会显示为空，本技能通过栅格化并送入视觉模型解决该问题。
何时使用：文本原生文档优先用 pptx / pdf 技能，更快更精确；当文本提取结果单薄或为空、而文件明显有丰富视觉内容，或核心内容是图表、示意图、截图、照片、扫描页、整体导出的图片幻灯片时改用本技能。
处理流程：统一经过 scripts/transcribe_pages.py，三条入口均支持，单页失败不中断其余页面。.pptx/.ppt 经 LibreOffice 无头模式转 PDF，再由 pdftoppm 生成每页一张 PNG；.pdf 直接由 pdftoppm 转 PNG；图片文件直接作为单页。
用法： python3 scripts/transcribe_pages.py deck.pptx python3 scripts/transcribe_pages.py report.pdf --pages 3-7 python3 scripts/transcribe_pages.py slide.png --model opus python3 scripts/transcribe_pages.py deck.pptx --json out.json 也可导入 transcribe_file(...)，返回 {page, image, text, error} 字典列表。
模型选择（--model）：gemini-lite（默认，最便宜最快，密集截图约 95% token 召回）；gemini-flash（token 完美，约 3 倍成本，需精确文本时用）；gemini-3.5-flash（更强推理，约 19 倍成本，需解读页面时用）；opus（交互会话中想把读取放进自身上下文时用）；haiku（仅限单供应商 Anthropic 时，密集转写较弱，倾向摘要而非转写）。默认 gemini-lite，仅在召回或推理需求时升级。
OCR 回退：已安装 Tesseract 5.x（仅 eng + osd 语言包），以 --engine tesseract 暴露，仅返回字形而非阅读结果，无图表解读、示意图描述或版式含义。仅用于已知为纯扫描文本、需要零成本完全离线处理时。若交付物是文件而非阅读结果，应改用 ocring-pdfs。
交互捷径：交互会话中常可跳过模型调用，用 --json 获取页面 PNG，或自行转换查看每页图片，Claude 原生可读图。脚本的视觉模型路径适用于批量和无人值守运行，或页数过多不便逐页查看时。
DPI：默认 150 DPI，对视觉模型清晰且低于每图 5 MB base64 上限；仅密集小字体页面可提升至 --dpi 200–300，更高 DPI 有超限风险且增加 token 成本。
限制：Tesseract 路径不解读图表、示意图与版式；高 DPI 可能超出单图大小限制；模型成本随能力提升而增加。收费与价格等细节暂未提供。