Локальный аналог Gamma: презентации из документа на своём Mac
Сервисы вроде Gamma собирают презентацию по тексту довольно быстро, но работают в облаке: и тема презентации, и данные уходят на чужие серверы. Для рабочей документации или данных в корпоративном контуре это неприемлемо. Есть открытая альтернатива, которая ставится локально на специализированный ПК или достаточно мощную рабочую машину и работает полностью локально, в том числе на своей же языковой модели. Называется Presenton. В этой статье ставим его на Mac, подключаем локальную модель через Ollama и генерируем презентацию из готового документа. Наружу не уходит ничего.
Это продолжение линии про локальные модели. Установку Ollama подробно разбирать не будем, она уже описана в статье «Локальная LLM как кодинг-ассистент». Здесь напомним только суть и возьмём модель покрупнее, потому что для связного текста слайдов нужна модель посильнее, чем для автодополнения кода.
Часть 1. Модель
Ollama ставится так же, как в прошлой статье. Разница одна: вместо 14B берём общую модель на 32B. Качество текста у неё заметно выше, а скорость для разовой генерации слайдов не критична.
Качаем модель:
ollama pull qwen3:32b
Модель весит около 20 ГБ, поэтому загрузка идёт не быстро. Иногда при скачивании большой модели обрывается соединение с сервером и появляется ошибка:
Error: pull model manifest: Get "https://registry.ollama.ai/v2/library/qwen3/manifests/32b": EOF
Так бывает, достаточно повторить ту же команду ollama pull qwen3:32b — загрузка продолжится с места обрыва. После успешной загрузки в конце появится success:
ollama pull qwen3:32b
pulling manifest
pulling 3291abe70f16: 100% ▕███████████████████████████████████████████████████████▏ 20 GB
pulling ae370d884f10: 100% ▕███████████████████████████████████████████████████████▏ 1.7 KB
pulling d18a5cc71b84: 100% ▕███████████████████████████████████████████████████████▏ 11 KB
pulling cff3f395ef37: 100% ▕███████████████████████████████████████████████████████▏ 120 B
pulling afdf5c7585b3: 100% ▕███████████████████████████████████████████████████████▏ 488 B
verifying sha256 digest
writing manifest
success
Перед тем как идти дальше, стоит убедиться, что 32B вообще запускается на машине и не упирается в память. Запускаем модель и задаём простой вопрос:
ollama run qwen3:32b
>>> привет, назови три типа киберугроз одним предложением
Thinking...
[модель показывает ход рассуждения]
...done thinking.
Три основных типа киберугроз включают вирусы (вредоносное программное обеспечение), фишинг (обман с целью получения конфиденциальной информации) и DDoS-атаки (перегрузка серверов для отключения сервиса).
Модель работает. На M1 с 32 ГБ памяти ответ приходит с заметной, но терпимой задержкой — это ожидаемо для модели такого размера. Если на твоей машине 32B идёт совсем тяжело и упирается в память, возьми модель полегче, например qwen3:14b: для слайдов она тоже подходит, а памяти просит вдвое меньше.
Qwen3 перед ответом показывает блок Thinking с ходом рассуждения. Это нормально для модели, но добавляет задержку.
Выйти из чата с моделью — команда /bye.
Часть 2. Ставим Presenton
Presenton это открытый генератор презентаций под лицензией Apache 2.0, прямой аналог Gamma, который можно запустить у себя. На Mac проще всего поставить десктопное приложение, без Docker и командной строки.
Скачиваем установщик с presenton.ai/download, версию для Apple Silicon, и устанавливаем как обычное приложение.
Один затык с конкретикой по версиям. Сборка Presenton-0.8.8-beta при запуске выдала сообщение «Приложение Presenton повреждено и его не удаётся открыть», а Presenton-0.8.7-beta открывалась без него. Файл при этом не повреждён, так macOS реагирует на неподписанное приложение и помечает его карантином. Снимается командой в терминале:
xattr -cr /Applications/Presenton.app
После этого приложение открывается.
После первого запуска открывается мастер настройки из трёх шагов. На первом шаге выбираем режим генерации. Нужен Template Presentation Mode: он собирает структурированные слайды, позволяет их редактировать и экспортировать в PPTX, и умеет работать из документов. Второй режим, Image Slides Mode, на момент написания помечен как Coming soon и недоступен. Выбираем Template Presentation Mode и нажимаем Continue to providers.
Часть 3. Подключаем локальную модель и отключаем облако
На втором шаге мастера выбираем, какие движки генерируют текст и картинки. Вверху есть подсказка «Runs locally on your device. Your API keys and generation setup stay on your machine» — то есть настройки и ключи остаются на машине.
Вариант входа через ChatGPT и стоящий по умолчанию OpenAI пропускаем, нам нужен локальный движок. В блоке Text Generation Settings, в списке Select Text Provider, выбираем Ollama. Поля сменятся на настройки Ollama:
- Ollama URL — адрес локального Ollama, по умолчанию
http://localhost:11434; - Choose a supported model — выбираем
qwen3:32b.
В поле Choose a supported model просто большой список поддерживаемых моделей, автоопределения того, что у вас реально установлено, здесь нет. Выбираем из списка свою модель qwen3:32b и проверяем, что адрес и порт Ollama указаны верно.
Блок Image Generation Settings внизу оставляем с выключенным тумблером. Это значит, что фотографии не генерируются и в облако ничего не уходит, а иконки, графики и диаграммы всё равно рисуются локально.
Нажимаем Continue to Finish.




На финальном экране мастера есть переключатель Usage analytics с подписью про отправку анонимных данных об использовании. По умолчанию он включён, выключаем его — это отказ от телеметрии. После этого настройка завершена, нажимаем кнопку перехода к созданию первой презентации.
Часть 4. Первая презентация из промпта
После настройки попадаем в основной интерфейс. Создание презентации запускается с экрана Generate, подпись на нём — «Turn prompts or documents into presentations with AI». Тут делается и генерация из текстового запроса, и генерация из документа.
Сверху слева видно подтверждение наших настроек: надпись «Ollama (qwen3:32b) · Image generation disabled». Это значит, что текст пишет локальная модель, а фотографии не генерируются. Рядом настройки: число слайдов, язык и дополнительные параметры. Ниже поля для запроса есть область Attachments для загрузки файла, она пригодится в следующей части.
Для проверки сделаем простую презентацию из короткого запроса. Ставим небольшое число слайдов, язык русский, и пишем запрос:
Что такое двухфакторная аутентификация: как она работает и зачем нужна обычному пользователю
Нажимаем Get Started.





Скорость. На M1 с моделью 32B генерация идёт медленно, от одной до нескольких минут, плюс Qwen3 тратит время на режим размышлений. Это компромисс, и если скорость важнее, стоит взять модель полегче. В нашем случае план из пяти слайдов собирался около шести минут, вентиляторы под нагрузкой шумели — для такой модели на ноутбуке это нормально.
Presenton работает в два этапа. Сначала собирается текстовый план, вкладка называется Outline & Content: заголовки и краткий текст каждого слайда. Для запроса про двухфакторную аутентификацию модель выдала логичную структуру — определение и принцип, этапы работы, зачем это нужно пользователю, примеры реализации.
На этом этапе картинок нет, и это ожидаемо: план текстовый, а фотогенерацию мы отключили. Изображения и оформление появляются на втором этапе, когда план превращается в слайды. Нажимаем Select a Template и выбираем шаблон, например General или Standard, либо любой другой, который понравился. Для эксперимента лучше взять что-то базовое.
После выбора шаблона Standard Presenton отрисовал слайды: заголовки, текст, нумерованные кружки и элементы оформления. Отрисовка тоже идёт небыстро, так что после нажатия дайте слайдам собраться, пока не пропадут индикаторы загрузки.
Один момент про картинки стоит пояснить. В некоторых шаблонах под фотографию отведено отдельное место. Поскольку фотогенерацию мы отключили, заполнять его нечем, и на этом месте остаётся заглушка, нейтральный тёмный блок. Сам по себе он фотографией не станет, модель его не заполнит, и это нормальное поведение полностью локального режима. Если такие блоки мешают, есть три пути: удалить элемент с картинкой прямо на слайде, вставить своё изображение вручную, или выбрать шаблон, который построен на тексте, иконках и графиках, без крупных фотографий. Если нужно, чтобы данные не уходили из машины, последний путь удобнее всего. При этом иконки, нумерованные кружки и вёрстка отрисовываются локально и выглядят нормально.
Тест из промпта показал: связка из локальной модели и Presenton действительно собирает презентацию на локальной машине. Готовый результат можно выгрузить кнопкой Export в формат PPTX.

Часть 5. Презентация из документа
Теперь главное — отдаём готовый документ и получаем из него презентацию. Берём заранее подготовленный доклад «Эволюция киберугроз за последние 10 лет» с четырьмя таблицами по годам.
Сначала немного про версию приложения, с небольшим отступлением. На Presenton-0.8.7-beta присоединение внешнего файла приводило к ошибке во время генерации, поэтому для работы с документами перешли на Presenton-0.8.8-beta, где этой проблемы не было. Именно 0.8.8 при запуске и выдавала сообщение «повреждено», которое снимается командой xattr -cr /Applications/Presenton.app. Карантин иногда возвращается после обновления или перезапуска приложения — имейте это ввиду и просто повторите команду в окне терминала.
Открываем экран Generate. В этот раз вместо промпта используем область Attachments внизу и загружаем туда файл доклада. В поле запроса даём короткую подсказку в поле промта:
Сделай презентацию по этому докладу с графиками по таблицам
Перед запуском заглядываем в дополнительные настройки (три ||| справа). В поле Write instructions выносим подробную инструкцию для модели:
Это аналитический доклад с таблицами по годам. Построй по таблицам графики и сохрани структуру разделов: рост уязвимостей, стоимость утечек, ИИ и жизненный цикл инцидента, экономика вымогателей. Текст на русском, деловой тон.
Переключатель Web Search делаем выключенным. Если его включить, приложение начнёт отправлять запросы в интернет — мы же делаем сейчас всё локально. Доклад самодостаточный, поиск ему не нужен. Остальное по вкусу: тон Professional или Default, плотность текста Standard, титульный слайд и оглавление можно оставить включёнными.
После загрузки документа Presenton показывает извлечённый из него текст на экране Content. Здесь видно: таблицы при разборе разворачиваются в плоский список. Заголовки колонок и значения идут подряд, каждая ячейка отдельной строкой, а структура таблицы как сетки не сохраняется. Это значит, что связь «год — значение» модели придётся восстанавливать самой по тексту. От качества этого разбора напрямую зависит, построятся ли по цифрам корректные графики.

Полный цикл на M1 с 32B по времени получился такой:
- 17:24 — запуск, распознавание Word-файла;
- 17:34 — готова структура слайдов, выбран шаблон Report;
- 17:43 — первые контуры слайдов;
- 17:51, 13:04, 13:17 — слайды отрисовывались примерно по одному за полторы-две минуты;
- 18:22 — все слайды готовы, дальше экспорт.
Итого около 58 минут от запуска до готовой презентации. На ноутбуке с тяжёлой моделью генерация из документа с таблицами это работа почти на час в фоне. Условия эксперимента: Mac был загружен как обычно, без очистки памяти. Одновременно было открыто четыре окна браузера с 20-40 вкладками в каждом, Visual Studio Code, пять окон терминала, заметки и iMessage. Память специально не выгружалась, ноутбук использовался как есть.
Главный вопрос был такой: построятся ли графики по таблицам и вообще создастся ли вменяемая презентация. Ответ — как черновик — да, по большинству таблиц графики построились. Несмотря на то что таблицы разобрались в плоский список, модель восстановила связь год — значение, и Presenton нарисовал графики локально: линию роста уязвимостей, кривые скорости эксплуатации, рост и спад стоимости утечек, столбцы по ИИ и моделям атак. Цифры в тексте слайдов в основном верные и совпадают с докладом.
При этом результат стоит воспринимать как черновик, не как готовую к показу презентацию. Слабые места:
- часть графиков построена неверно. На слайде «Экономика вымогателей» вместо динамики получилась плоская линия на нуле с двумя точками, 2016 и 2026, хотя в тексте рядом указан рост с 0.02 до 3.2 млн;
- длинные русские заголовки не влезают в шаблон и криво переносятся;
- на титульном слайде модель придумала несуществующего автора;
- получилось два почти одинаковых слайда-оглавления;
- на слайде выводов местами проскочили посторонние символы, включая иероглифы, это артефакт локальной модели;
- остальные графики минималистичные, без подписей осей: тренд они передают, но как точная аналитика не годятся;
- в паре мест модель указала неверный период.
Вывод по этой части простой. Полный цикл документ — презентация работает и полностью локально. Но сам результат надо рассматривать как черновик под ручную доводку, и более сильная или облачная модель собрала бы чище.
Результат доступен по ссылке.
Границы метода
Несколько моментов:
- Качество слайдов зависит от модели.
- Локальная 32B даёт разумный черновик, но до облачной Gamma не дотягивает, и текст местами придётся править руками.
- Скормить разом большой архив документов не выйдет. Языковая модель ограничена объёмом контекста, поэтому на вход идёт один документ или заранее сжатая выжимка.
- Presenton пока в стадии беты, так что возможны шероховатости в интерфейсе и редкие сбои.
Полностью локальная работа достигается только при отключённой облачной генерации фотографий. Иконки и графики локальны всегда, а вот фотокартинки либо отключаются, либо требуют отдельного локального генератора.
Как убрать всё с компьютера
Если нужно откатить эксперимент и освободить место, всё делается достаточно просто. Приложение Presenton удаляется как обычное приложение macOS, перетаскиванием из папки «Программы» в корзину. Рабочие данные приложения лежат в папке app_data рядом с местом запуска, её тоже можно удалить. Модель убираем через Ollama: посмотреть скачанные модели можно командой ollama list, удалить нашу — ollama rm qwen3:32b, это освобождает около 20 ГБ. Сам Ollama, если он больше не нужен, останавливается командой brew services stop ollama и сносится через brew uninstall ollama, а остатки убираются удалением папки ~/.ollama.
Итог
За вечер на обычном Mac собирается локальный генератор презентаций: Presenton как интерфейс, Ollama с моделью qwen3:32b как мозг. На вход подаётся документ, на выходе получается редактируемая презентация с графиками, и при этом ни текст, ни данные не покидают машину. Для рабочих или конфиденциальных материалов это та причина, по которой стоит держать генерацию у себя.
Было ил вам интересно?
1 голос