Open-Source-NotebookLM Komplettguide: 35K Stars — Docs rein, Q&A und Podcasts automatisch
Dokument-Q&A und KI-Podcasts ohne Daten an Google? open-notebook (35K Stars, MIT) ist die Self-Hosted-Alternative: Docker in 2 Minuten, 1–4 Sprecher, vollständige REST-API.
Sie möchten eine konversationelle Wissensbasis aus Ihren Dokumenten — ohne diese Daten an Google zu senden? Dieses Open-Source-Projekt mit 35K stars lässt Sie in etwa zwei Minuten Ihr eigenes NotebookLM aufsetzen.
NotebookLM ist hervorragend. Darüber streitet niemand. Aber ein Problem bleibt: jedes PDF und jeder Audio-Clip, den Sie hochladen, liegt auf Googles Servern.
Für öffentliche Inhalte okay. Projektunterlagen, Kundendateien, unveröffentlichte Entwürfe? Fühlen Sie sich wirklich wohl, alles dort abzulegen?
Dann fand ich open-notebook — eine Open-Source-Alternative zu NotebookLM mit 35K GitHub stars und MIT-Lizenz.
1. Erst ansehen: PDF reinlegen und fragen
open-notebook fühlt sich fast identisch zu Google NotebookLM an — außer dass Ihre Daten nie Ihren eigenen Server verlassen haben.
Laden Sie ein PDF hoch, fragen Sie „was behandelt dieser Abschnitt?“ — Antworten bleiben im Dokument verankert, nicht erfunden.
Q&A ist nur Schritt eins. Starten Sie Podcast-Generierung, wählen Sie zwei Sprecher, und es verwandelt die Quelle in ein Dialogskript und synthetisiert eine Zwei-Personen-Audioübersicht.
Sie können 1 bis 4 Sprecher wählen, jeweils mit eigener Persona und Stimme — deutlich flexibler als NotebookLMs zwei feste Hosts.
NotebookLMs zwei Kernaufgaben — dokumentenbasiertes KI-Q&A und automatische Podcasts — werden beide gut erledigt. PDFs, Webseiten, Video und Audio werden durchsuchbares Wissen.
2. Zwei echte Vorteile gegenüber NotebookLM
Erstens, flexiblere Podcasts. NotebookLM sperrt Sie auf zwei feste KI-Hosts. open-notebook unterstützt 1–4 Sprecher, jeweils mit eigenen Rollen und Stimmen.
Zweitens, eine vollständige REST API. Das ist die praktische Lücke. open-notebook liefert eine komplette REST API für Automatisierung — NotebookLM hat kein öffentliches Äquivalent.
3. Die Einschränkungen, die Sie vorab kennen sollten
Zitate sind noch schwach. NotebookLM kann auf „Seite 3 dieses PDFs“ verweisen. open-notebook bietet derzeit nur grundlegendes Grounding.
Es ist nicht kostenlos. Bringen Sie Ihren eigenen KI-API Key (Pay-per-Use) mit oder betreiben Sie Ollama lokal (kostenlos, aber hardwareintensiv). NotebookLM hat zumindest einen kostenlosen Tier.
Kurz gesagt ersetzt es die Fähigkeit, „Dokumente reinlegen und die KI lesen lassen“ — nicht „kostenlos mitfahren“.
4. Wer es ausprobieren sollte — und wer warten sollte
Lohnt sich, wenn: Sie Docker-Grundlagen kennen und Daten aus der Cloud fernhalten wollen; Sie Nicht-Google-Modelle (DeepSeek, Anthropic, lokales Ollama) für Dokumenten-Q&A wollen; oder Sie eine API brauchen, um quellengestützten Chat in Ihren Stack einzubinden.
Besser warten, wenn: Sie Docker nie installiert haben — der Deploy-Weg ist nicht kurz; Sie seitenweise Zitate brauchen — noch nicht bereit; Sie nur kostenlose KI wollen — das ist ein Self-Hosted-Tool, kein kostenloses KI-Produkt.
Schwierigkeit: mittel · Docker Desktop + ein KI-API Key (oder Ollama für ein völlig kostenloses Setup, das VRAM verbraucht).
5. Schnellster Start: Docker in etwa zwei Minuten
Zuerst die docker-compose-Konfiguration holen:
curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml
Setzen Sie OPEN_NOTEBOOK_ENCRYPTION_KEY auf einen beliebigen Geheimstring und starten Sie:
docker compose up -d
Warten Sie 15–20 Sekunden, dann öffnen Sie http://localhost:8502 im Browser.
Modelle konfigurieren: Mit API Key wählen Sie auf der Models-Seite einen Anbieter — OpenAI, Anthropic, Google, DeepSeek, Mistral und mehr (18 Anbieter). Für völlig kostenlosen lokalen Betrieb nutzen Sie examples/docker-compose-ollama.yml aus dem Repo — kein API Key nötig, aber GPU erforderlich.
Einfach hochfahren, PDF reinlegen und Q&A testen. Zwanzig Minuten reichen, um zu entscheiden, ob Sie tiefer einsteigen.
Abschluss
Das meiste, was NotebookLM kann, kann open-notebook auch — mit Daten vollständig in Ihren Händen.
Wenn Ihnen Datensouveränität, Modellwahl oder API-gesteuerte Workflows wichtig sind, lohnt sich ein zweiminütiges open-notebook-Deployment.
Projekt: github.com/lfnovo/open-notebook