راهنمای کامل NotebookLM متنباز: ۳۵ هزار ستاره — سندها را بریزید، پرسشوپاسخ و پادکست خودکار
میخواهید پرسشوپاسخ روی اسناد و پادکست هوش مصنوعی بدون ارسال داده به Google؟ open-notebook (۳۵هزار ستاره، MIT) جایگزین self-hosted: Docker در ۲ دقیقه، ۱–۴ گوینده، REST API کامل.
میخواهید پایگاه دانش گفتوگویی از اسناد خود داشته باشید — بدون فرستادن آن دادهها به Google؟ این پروژه متنباز با 35K stars به شما اجازه میدهد NotebookLM خود را در حدود دو دقیقه راه بیندازید.
NotebookLM عالی است. کسی انکار نمیکند. اما یک مشکل هرگز از بین نمیرود: هر PDF و کلیپ صوتی که آپلود میکنید روی سرورهای Google است.
برای محتوای عمومی خوب است. اسناد پروژه، فایلهای مشتری، پیشنویسهای منتشرنشده؟ واقعاً راحتید همه را آنجا بریزید؟
آنگاه open-notebook را پیدا کردم — جایگزین متنباز NotebookLM با 35K GitHub stars و مجوز MIT.
1. اول ببینید: PDF بگذارید و بپرسید
استفاده از open-notebook تقریباً مثل Google NotebookLM است — جز اینکه دادههای شما هرگز سرور خودتان را ترک نکرده.
یک PDF آپلود کنید، بپرسید «این بخش چه میپوشاند؟» — پاسخها بر اساس سند است، نه ساختگی.
Q&A فقط گام اول است. تولید پادکست را بزنید، دو گوینده انتخاب کنید، و منبع را به متن گفتوگو تبدیل کرده و خلاصه صوتی دو نفره میسازد.
میتوانید ۱ تا ۴ گوینده انتخاب کنید، هر کدام با شخصیت و صدای سفارشی — بسیار انعطافپذیرتر از دو میزبان ثابت NotebookLM.
دو کار اصلی NotebookLM — Q&A هوش مصنوعی مبتنی بر سند و پادکست خودکار — هر دو خوب انجام میشوند. PDF، صفحات وب، ویدیو و صدا همگی دانش قابل جستجو میشوند.
2. دو مزیت واقعی نسبت به NotebookLM
اول، پادکستهای انعطافپذیرتر. NotebookLM شما را به دو میزبان ثابت AI قفل میکند. open-notebook از ۱–۴ گوینده پشتیبانی میکند، هر کدام با نقش و صدای سفارشی.
دوم، REST API کامل. این شکاف عملی است. open-notebook REST API کامل برای خودکارسازی دارد — NotebookLM معادل عمومی ندارد.
3. محدودیتهایی که باید از ابتدا بدانید
استنادها هنوز ضعیفاند. NotebookLM میتواند به «صفحه ۳ این PDF» اشاره کند. open-notebook فعلاً فقط grounding پایه دارد.
رایگان نیست. API Key هوش مصنوعی خود را بیاورید (پرداخت بر اساس مصرف) یا Ollama را محلی اجرا کنید (رایگان اما سختافزارسنگین). NotebookLM حداقل tier رایگان دارد.
خلاصه، جایگزین توانایی «اسناد را بگذارید و بگذارید AI برایتان بخواند» میشود — نه «سواری رایگان بدون هزینه».
4. چه کسی باید امتحان کند — و چه کسی صبر کند
ارزش امتحان دارد اگر: Docker پایه میدانید و داده را خارج از ابر نگه میدارید؛ مدلهای غیر Google (DeepSeek، Anthropic، Ollama محلی) برای Q&A اسناد میخواهید؛ یا به API برای اتصال چت مبتنی بر منبع به stack خود نیاز دارید.
فعلاً رد کنید اگر: هرگز Docker نصب نکردهاید — مسیر deploy کوتاه نیست؛ استناد در سطح صفحه میخواهید — هنوز آماده نیست؛ فقط AI رایگان میخواهید — این ابزار self-hosted است، نه محصول AI رایگان.
سختی: متوسط · Docker Desktop + یک API Key (یا Ollama برای راهاندازی کاملاً رایگان که VRAM میسوزاند).
5. سریعترین شروع: Docker در حدود دو دقیقه
ابتدا پیکربندی docker-compose را بگیرید:
curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml
OPEN_NOTEBOOK_ENCRYPTION_KEY را روی هر رشته مخفی تنظیم کنید و شروع کنید:
docker compose up -d
۱۵–۲۰ ثانیه صبر کنید، سپس http://localhost:8502 را در مرورگر باز کنید.
مدلها را پیکربندی کنید: اگر API Key دارید، در صفحه Models ارائهدهنده انتخاب کنید — OpenAI، Anthropic، Google، DeepSeek، Mistral و بیشتر (۱۸ ارائهدهنده). برای اجرای محلی کاملاً رایگان از examples/docker-compose-ollama.yml در repo استفاده کنید — API Key لازم نیست، اما GPU میخواهید.
راه بیندازید، PDF بگذارید و Q&A را امتحان کنید. بیست دقیقه برای تصمیمگیری درباره عمیقتر رفتن کافی است.
پایان
بیشتر کارهایی که NotebookLM انجام میدهد، open-notebook هم میتواند — با ماندن کامل داده در دست شما.
اگر حاکمیت داده، انتخاب مدل یا گردشکار مبتنی بر API برایتان مهم است، deploy دو دقیقهای open-notebook ارزش دارد.