NotebookLMのローカル実行に代わるオープンソースの選択肢 セルフホスト型

#NotebookLMの機能と、再現できるもの

NotebookLMを再現する前に、実際に何を提供しているのかを把握する必要があります。汎用チャットボットではなく、自分で選んだ文書群に根拠を置くアシスタントです。これらの資料だけをもとに回答し、該当箇所を引用します。また、理論上は、資料にない情報を作り出すことを拒みます。この利用体験は3つの要素で構成されています。

ソース資料のノートブック

PDF、ウェブページ、メモ、文字起こしをインポートします。アシスタントが情報を参照してよい範囲は、これらの資料だけに限られます。

引用された回答

各主張はそれを裏付けるソースの該当箇所を参照しており、盲目的に信頼するのではなく、ワンクリックで確認できます。

音声要約（Audio Overview）

2つの合成音声が、お使いのドキュメントについてポッドキャスト風に対話します。要約を読む代わりに、歩きながら聞けます。

これら3つの機能は、現在では自由に利用できるオープンソースの構成要素で再現できます。1つ目と2つ目は、丁寧に構築したRAG（Retrieval-Augmented Generation、検索拡張生成）にほかなりません。情報源をインデックス化し、関連する箇所を検索し、それらを参照する回答を生成します。3つ目は、テキスト → 対話 → 音声合成（TTS）というパイプラインです。特殊な仕組みは必要なく、エントリークラスのGPUを搭載した1台のマシンですべてを実行できます。

#NotebookLMをローカルで使いたい理由

最も重要な理由は、プライバシーです。ノートブックには、研究ノートや未公開の資料、企業の内部文書、顧客ファイル、契約書、医療記録など、最も敏感な情報が含まれています。Googleにデータを保存することは、第三者にデータのコピーを委ねることを意味し、その利用条件は変更されやすく、ユーザーがその条件に影響を与えることはできません。NotebookLMをローカルで実行することで、根本的な問題が解決します。データはあなたのデスクトップに残り、推論処理は自らのハードウェア上で行われます。

データ主権

どのドキュメントも、どのリクエストも第三者サービスを経由しません。GDPR、職業秘密、または開発秘密の観点から不可欠です。

クォータやサブスクリプションは存在しません

スタックを構築すれば、ディスク容量と忍耐力が許す限り、いくつでもソースを処理できます。月ごとの上限はありません。

オフライン

処理の流れ全体がネット接続なしで動作するため、外出先やネットワークが隔離された環境で役立ちます。

モデルの制御

ブラックボックスのモデルに振り回されるのではなく、LLM、主に使う言語、量子化方式、各種設定を自分で選べます。

#信頼できるオープンソースの代替案

複数のプロジェクトが、ローカル版NotebookLMになることを明確に目指しています。完璧なものはありませんが、いずれも Ollama に接続でき、急速に進化しています。ここでは、2026年に実用に耐えるものを、NotebookLMに最も近いものから、最も「自分で手を加えやすい」ものまで順に紹介します。

Open Notebook

NotebookLMの精神に最も忠実：ノートブックの概念、情報ソースの管理、引用付きチャット、統合されたポッドキャスト生成。オープンソースでDocker化され、Ollama との互換性を保ち、100％ローカルで動作します。

SurfSense

複数の情報源（ドキュメント、ウェブ、コネクタ）を扱うオープンソースのリサーチアシスタント。情報を集約し、質問する用途に適しており、ローカルLLMにも対応しています。

Open WebUI / AnythingLLM

NotebookLMのクローンではありませんが、文書のインポート、出典付きのチャット、ローカルの埋め込みモデルという主要機能を備えた、成熟した2つのRAGインターフェースです。「出典＋質疑応答」の機能を実現する最も簡単な方法です。

Podcastfy

音声部分だけを担当するコンポーネントです。ドキュメントやURLを、2人が話す会話形式に変換します。ローカルLLMと、お好みのTTSエンジンで動かせます。

#前提条件

Ollama

モデルを提供するデーモン。デフォルトのアドレスはhttp://localhost:11434です。まだインストールしていない場合は、インストールガイドを参照する。

生成モデル

Qwen 3.5 9B（Q4_K_MでVRAM約6.6 GB、コンテキスト256k、マルチモーダル対応）、または優れたフランス語性能を求めるならMistral Small 24B（約14 GB）。小規模なハードウェア構成では、Granite 4.2 8B（約5.3 GB）で十分です。

埋め込みモデル

nomic-embed-textまたはmxbai-embed-large。ollama pullで取得可能です。軽量でGPUなしでも動作します

Docker

ほとんどの代替ツール（Open Notebook、Open WebUI、AnythingLLM）は、1つのコンテナでデプロイできるため、依存関係の競合を避けられます。

ローカルTTSエンジン

音声部分に Piper を使用：高速で軽量で、フランス語の声を備えています。音声合成には GPU が必須ではありません。

# Modèle de génération (adaptez à votre VRAM)
ollama pull qwen3.5:9b

# Modèle d'embeddings pour le RAG
ollama pull nomic-embed-text

#ステップ1：Ollamaで資料をまとめたノートブックを作る

ローカル版NotebookLMを構築する最初の要素は、ノートブックそのものです。ソースを登録し、インデックス化する場所に当たります。ここでは、そのコンセプトを忠実に再現するOpen Notebookを使います。コンテナで起動し、クラウドサービスではなく利用者のOllamaと通信するように設定します。

1. 01
   プロジェクトを取得する

   Open Notebookのリポジトリをクローンし、そのディレクトリに移動してください。リポジトリには、そのまま使えるdocker-composeファイルが含まれています。
2. 02
   接続先をOllamaに設定

   設定（環境変数ファイル）で、モデルプロバイダーにOllamaを指定し、URLをhttp://localhost:11434（コンテナ内から接続する場合はhttp://host.docker.internal:11434）に設定してください。生成用のモデルを選び、埋め込み用にはnomic-embed-textを選択してください。
3. 03
   スタックを起動する

   docker compose upを実行してください。するとブラウザでウェブインターフェースが開き、データベースとインデックス作成は自動で処理されます。
4. 04
   ノートブックを作成してインポート

   ノートブックを作成し、そこにPDFをドラッグ＆ドロップするか、URLやテキストを貼り付けてください。各ソースは自動的に分割され、ベクトル化されます。

# Récupérer et lancer Open Notebook
git clone https://github.com/lfnovo/open-notebook.git
cd open-notebook

# Configurer le fournisseur Ollama dans le fichier d'environnement
cp .env.example .env
# éditez .env : OLLAMA_API_BASE=http://host.docker.internal:11434

# Démarrer la stack complète
docker compose up -d

ツールをこれ以上増やしたくない場合は、Open WebUI や AnythingLLM が資料をまとめるノートブックとして十分に役立ちます。ワークスペース（workspace）を作成し、そこに文書を取り込むと、nomic-embed-text によるインデックス作成が自動で行われます。これは、このサイトの RAG ガイドで詳しく説明している「ノーコード」の方法です。

#ステップ2：出典付きの質疑応答

ローカル版NotebookLMの中心となるのは、自然言語で質問し、自分の資料だけに基づく回答を、根拠となる正確な箇所とともに得ることです。技術的には、RAGが質問に最も近い抜粋を取得し、LLMは自身の一般知識ではなく、その抜粋に基づいて回答を作成します。引用の質は主に2つの要素に左右されます。厳格なシステムプロンプトと、出典を明示的に求めることです。

Open NotebookでもOpen WebUIでも、この動作はすでに組み込まれています。ノートブックのチャットで質問すると、回答に使用した抜粋が表示されます。独自の処理チェーンを構築する場合は、システムプロンプトが決定的な違いを生みます。

Tu réponds UNIQUEMENT à partir des extraits fournis ci-dessous.

Règles :
- Si la réponse ne figure pas dans les extraits, dis « Je ne trouve pas cette information dans les sources. »
- N'utilise jamais tes connaissances générales pour compléter.
- Après chaque affirmation, indique la source entre crochets, ex. [source 2].
- Cite mot pour mot le passage clé quand c'est utile.

Réponds en français, de façon concise.

モデルの設定では、2つのパラメータが重要です。温度を低く（0.2）設定すると、余計な創作を抑え、モデルが情報源に忠実に回答しやすくなります。コンテキストウィンドウ（num_ctx）を十分に確保すれば、検索で取得した抜粋を切り詰めずに取り込めます。そうでなければ、モデルは取得した文章の一部だけに基づいて回答します。

import requests

SYSTEM = open('prompt_systeme.txt').read()

# extraits = passages renvoyés par votre recherche vectorielle
contexte = "\n\n".join(
    f"[source {i+1}] {e}" for i, e in enumerate(extraits)
)

resp = requests.post("http://localhost:11434/api/chat", json={
    "model": "qwen3.5:9b",
    "stream": False,
    "options": {"num_ctx": 8192, "temperature": 0.2},
    "messages": [
        {"role": "system", "content": SYSTEM},
        {"role": "user", "content": f"{contexte}\n\nQuestion : {question}"},
    ],
})

print(resp.json()["message"]["content"])

#ステップ3：ローカルで音声による要約を生成する（TTS）

これはNotebookLMを代表する機能、Audio Overviewです。2人の話者が文書について語り合うもので、ローカルで再現したときにも最も印象的な機能です。パイプラインは2段階に分かれます。まずLLMがソースをもとに対話スクリプトを作成し、次にローカルのTTSエンジンがそのスクリプトを音声に変換します。これにより、音声もテキストも完全にオフラインで扱えます。

最初のステップは、会話の作成をLLMに依頼することです。内容を分かりやすく説明する2人のキャラクターのやり取りをLLMに求め、各セリフを話者でタグ付けします。このタグ付けは、音声合成時に声を交互に切り替えるために使用されます。

À partir des sources ci-dessous, écris un dialogue de podcast en français
entre deux animateurs, Alex et Camille, qui vulgarisent le contenu.

Règles :
- Format strict, une réplique par ligne : « Alex: ... » ou « Camille: ... ».
- Reste fidèle aux sources, n'invente aucun fait ni chiffre.
- Ton vivant et curieux, phrases courtes, adaptées à l'oral.
- 12 à 18 répliques, une vraie conversation qui se répond.

2段階目、音声合成です。ローカル環境では Piper が自然な選択です。高速で軽量であり、高品質なフランス語ボイスが利用できます。Alex と Camille を区別するために、話者ごとに異なる .onnx モデルファイル（2つのファイル）を割り当て、その後、音声セグメントを連結します。

# Installer Piper
pip install piper-tts

# Télécharger deux voix françaises depuis Hugging Face (rhasspy/piper-voices)
# ex. fr_FR-siwis-medium et fr_FR-upmc-medium (fichiers .onnx + .onnx.json)

# Synthétiser une réplique
echo "Bonjour et bienvenue dans cet épisode." | \
  piper --model fr_FR-siwis-medium.onnx --output_file alex_01.wav

import subprocess, re

VOIX = {
    "Alex": "fr_FR-siwis-medium.onnx",
    "Camille": "fr_FR-upmc-medium.onnx",
}

segments = []
for i, ligne in enumerate(open("script.txt")):
    m = re.match(r"(Alex|Camille):\s*(.+)", ligne.strip())
    if not m:
        continue
    locuteur, texte = m.group(1), m.group(2)
    wav = f"seg_{i:03d}.wav"
    subprocess.run(
        ["piper", "--model", VOIX[locuteur], "--output_file", wav],
        input=texte.encode(),
    )
    segments.append(wav)

# Concaténer les segments (ex. avec ffmpeg ou pydub)
print("Segments générés :", len(segments))

このパイプラインを手作業で書かずに済むよう、Open Notebookにはポッドキャスト生成機能が組み込まれています。また、PodcastfyはローカルLLMと好みのTTSエンジンを使って、まさにこの「ドキュメント → 音声会話」の変換を行います。上記の手動パイプラインも、処理の仕組みを理解し、声や出力形式を完全に制御するために引き続き役立ちます。

#トラブルシューティング

コンテナから Ollama に接続できません

Docker コンテナ内では、localhost はそのコンテナ自身を指します。host.docker.internal（Linux では extra_hosts で追加）またはホストの IP アドレスを使用し、必要に応じて Ollama が 0.0.0.0 で待ち受けていることを確認してください。

出典のない回答や、捏造された回答

システムプロンプトの制約が十分に厳しくないか、温度が高すぎます。「抜粋のみを根拠にする」という制約を設け、[source N]形式を必須にし、温度を0.2に下げてください。

インデックス作成時にPDFが空で返されます

テキストレイヤーのないスキャンです。インポートする前に、OCR 処理（ocrmypdf entree.pdf sortie.pdf）を行ってください。

回答は一部のソースを無視しています

num_ctxが小さすぎるため、抜粋が切り詰められています。VRAMに余裕があればnum_ctxを増やすか、取得する文章の数を減らしてください。

Piperで音声が見つからない

音声ごとに、.onnx と対応する .onnx.json の2つのファイルが必要です。同じディレクトリに配置してください。--model に渡すパスが正しいか確認してください。

発話と発話の間で音声が途切れる

WAVファイルをそのまま連結すると、音声の間に間がなくなります。より滑らかな仕上がりにするために、ffmpegまたはpydubで各セグメントの間に短い無音を挿入してください。

#さらに詳しく

このガイドは、サイト上で既に詳細に解説されている要素をまとめています。各ステップをさらに深く理解するには：

Ollama のインストール：Windows、macOS、Linux

まだ環境が整っていない場合に、ポート11434でローカルモデルを提供するための出発点となります。

OllamaによるローカルRAG（コーディング不要、Open WebUI、AnythingLLM）

ローカル版NotebookLMの「ソース＋出典付きの質問応答」部分をノーコードで実現する方法。

100%ローカルの音声アシスタント：Whisper + Ollama + Piper

音声要約だけにとどまらず、Piperとローカル音声合成についてさらに詳しく知るために。