notebooklm-pyは、Google NotebookLMをPythonコードやCLIから操作できる非公式OSSライブラリだ。GitHubで18,357スター・2,465フォーク(2026年7月31日時点)、PyPIの最新版はv0.7.3(2026-06-30公開)、MITライセンス、Python 3.10〜3.14に対応する。ブラウザ操作をコードに置き換え、PDFの一括取り込みから音声ポッドキャスト生成、クイズのJSON出力まで自動化できる。
WHAT IT REPLACES何を代替するか
ブラウザの反復クリックを、スクリプト1本に置き換える
NotebookLM Web UI
ブラウザで手動操作
- ソースは1件ずつドラッグ
- クイズ・カードは画面内で閲覧のみ
- スライドはPDFのみ
- cron・CI/CDに組み込めない
notebooklm-py
Python / CLI / MCP
- ソースをコマンドで一括投入
- クイズ・カードをJSON・Markdown・HTMLで保存
- スライドをPPTXで保存
- cron・CI/CDから定期実行
30秒でわかるnotebooklm-py
- ・Googleの非公開APIを叩き、Python/CLIからノートブック作成・ソース追加・成果物生成を自動化するMITのOSS。
- ・音声概要・クイズJSON・PPTX・マインドマップJSONなど、Web UIでは書き出せない形式で一括ダウンロードできる。
- ・重い解析はGoogleのGemini側で走る。自前のベクターDBなしで引用つきRAGを使える。
- ・公式APIではない。予告なく壊れる前提で、プロトタイプ・個人用途向け。
RAG全般は RAGとは?仕組み・構築・ベクトルDB選定までの2026年実装マップ を参照。この記事はnotebooklm-pyに絞る。
notebooklm-pyとは:NotebookLMをコードから自動化するPythonライブラリ
notebooklm-pyは、NotebookLMが内部で使う非公開APIをブラウザを経由せず呼び出し、Pythonコードやコマンドから操作するライブラリだ。
NotebookLMは、利用者がアップロードした資料だけを根拠に回答するGoogleのリサーチアシスタント。回答には引用マーカーが付くので、ハルシネーション(もっともらしい嘘)を検証しやすい。notebooklm-pyはこの性質をそのままコードから呼べるようにする。エンジニアにとっては「引用つきRAGを自前のベクターDBなしで手に入れる近道」になる。
できることは4つに整理できる。
・ソース管理:URL、YouTube、PDF、テキスト、Markdown、Word、EPUB、音声・動画、画像、Google Driveを一括取り込み
・コンテンツ生成:音声概要(ポッドキャスト形式)、動画概要、スライドデッキ、クイズ、フラッシュカード、インフォグラフィック、マインドマップ、データテーブル、レポート
・ダウンロード:MP3/MP4/PDF/PPTX/PNG/CSV/JSON/Markdownをローカルに保存。Google Docs/Sheetsへのエクスポートも可能
・エージェント連携:Claude Code、Codexなどにツールとして組み込める。MCPサーバー・スキルも同梱
THE PIPELINE処理の流れ
重い解析はGoogle側のGeminiが担う
-
ソース投入
PDF・URL・YouTube・Google Driveなど
-
notebooklm-py
Python API / CLI / MCP から呼ぶ
-
NotebookLM
Geminiがクラウドで解析し、引用つきで回答
-
成果物を保存
音声・スライド・クイズJSON・マインドマップJSON
非公式ライブラリであること
Googleとは無関係のコミュニティプロジェクトで、使うAPIは予告なく変わりうる。過剰なアクセスはレート制限の対象になる。本番利用は推奨されず、プロトタイプ・研究・個人用途が適している。
大量のPDFを投入するなら、MinerUでPDFをMarkdown/JSONに変換する方法で表や数式を保ったままソース化しておくと精度が上がる。
NotebookLMに公式APIはあるのか|notebooklm api・CLI・GitHub連携の現状
「notebooklm api」「notebooklm cli」で来た人の疑問は、そもそも公式の操作手段があるかだろう。一般ユーザーが自分で発行できる公式APIキーやCLIは提供されていない(2026年7月31日時点)。notebooklm-pyが存在する理由はここにある。
| 知りたいこと | 現状 | notebooklm-pyでの答え |
|---|---|---|
| 公式APIキーを発行して叩けるか | 一般向けには提供なし | 非公開APIをブラウザ認証のCookie/ストレージ経由で利用 |
| 公式CLIはあるか | 提供なし | notebooklm コマンドを本ライブラリが提供 |
| GitHubリポジトリをソースに追加できるか | Web UIのソース種別に「GitHub連携」は無い | 公開ファイルのraw URLや、cloneしたファイルをソースとして追加 |
| 自動化してよいのか | 規約・レート制限の範囲内で自己責任 | READMEが「Use at Your Own Risk」と明記 |
READMEは冒頭で「Unofficial Library - Use at Your Own Risk」「This library uses undocumented Google APIs that can change without notice」「Not affiliated with Google」と明示している。つまり公式APIのラッパーではなく、Web UIが内部で叩くエンドポイントを、同じ認証情報で外から呼ぶ構造だ。
「notebooklm github 連携」で来た人へ。GitHub連携そのものは無いが、公開リポジトリのファイルはURLソースとして追加できる。READMEや設計文書を読ませたいなら、notebooklm source add に https://raw.githubusercontent.com/teng-lin/notebooklm-py/main/README.md のようなraw URLを渡すのが最短だ。1ノートブックあたりのソース上限はGoogleアカウントの種別に依存し、当たったらノートブックを分割する(READMEにも同様の注意がある)。
notebooklm-pyのインストールと初回ログイン認証:pip/uvで始める
導入は「インストール → 初回ログイン認証」の2ステップ。公式が推奨するのはuv toolかpipxでCLIを独立環境に入れる方法だ。依存の衝突を避けられ、pip installがexternally-managed-environmentエラー(PEP 668)で弾かれるHomebrew PythonやDebian/Ubuntuでも動く。
# 推奨:CLIを独立環境へ(uv tool もしくは pipx)
uv tool install "notebooklm-py[browser]" # or: pipx install "notebooklm-py[browser]"
notebooklm login # 初回はChromium(約170MB)を自動DL → Googleサインイン
notebooklm auth check --test --json # "status": "ok" が出ればOK
# アプリに組み込むライブラリ用途(Playwright/Chromium不要)
uv add notebooklm-py # or venv内で: pip install notebooklm-py
[browser]はPlaywrightによるGoogle認証用。初回ログイン後は認証情報がローカルに保存され、以降はブラウザなしで動く。選び方は2択で足りる。ターミナルから使う人やエージェントに持たせる人はuv tool/pipx+[browser]、自作アプリのコードから呼ぶ人は素のnotebooklm-py。企業SSOでEdgeが必須ならnotebooklm login --browser msedge、ログイン済みブラウザのCookieを再利用するなら--browser-cookies chromeを使う。ブラウザを立ち上げられないヘッドレスサーバーでは、後者のCookie取り込みで認証を通せる。
定期実行のコツ
認証情報はローカルストレージに保存され、PythonのNotebookLMClient.from_storage()が参照する。cron/launchd/systemdで回すなら、先にnotebooklm auth refresh --quietでCookieを更新しておくと認証切れを防げる。複数アカウントはnotebooklm profile switch workで切り替える。
notebooklm-py CLIでNotebookLMを自動化:作成→ソース追加→生成→ダウンロード
notebooklmコマンド(notebooklm-cli)は、シェルスクリプトやCI/CDへの組み込みに向く。作成からダウンロードまで、1行ずつのコマンドで表せる。
# 1. ノートブックを作って対象に設定し、ソースを追加
notebooklm create "My Research"
notebooklm use <notebook_id>
notebooklm source add "https://en.wikipedia.org/wiki/Artificial_intelligence"
notebooklm source add "./paper.pdf"
# 2. ソースに質問(--json で構造化・引用つき回答)
notebooklm ask "主なテーマは何ですか?"
# 3. コンテンツを生成(--wait で完了まで待機)
notebooklm generate audio "engaging and concise" --wait
notebooklm generate quiz --difficulty hard
notebooklm generate slide-deck
# 4. 成果物をローカルに保存
notebooklm download audio ./podcast.mp3
notebooklm download quiz --format json ./quiz.json
notebooklm download slide-deck ./slides.pdf
公式READMEのターミナル録画(16分の実セッションを30秒に圧縮)で、認証からソース追加・生成・ダウンロードまでの流れを確認できる。
生成コマンドのオプションは細かい。音声概要は「deep-dive/brief/critique/debate」の4フォーマットと3段階の長さ、50以上の言語を選べる。動画概要は3フォーマットに9種類のビジュアルスタイル、スライドデッキは詳細版とプレゼン版。クイズとフラッシュカードは問題数と難易度を指定できる。source add-research "AI safety"でWebリサーチエージェントを走らせて結果をソースに取り込んだり、generate report --format briefing-docでレポートを作ったりもできる。
押さえるべきは、推論の重い部分がすべてGoogleのクラウド側で走る点だ。手元は「作れ」「保存しろ」と指示するだけで、30本のドキュメントの読み込みと要約はGeminiが肩代わりする。トークン課金のかかるコーディングエージェントと組み合わせても、手元の消費を抑えられる。
Web UIでは使えないnotebooklm-py専用機能とNotebookLM本家との違い
notebooklm-pyの価値は、WebブラウザUIで公開されていない機能をAPIから使えることにある。画面で見るだけだった成果物を、構造化データとして別システムに流し込める。
| 機能 | Web UI | API/CLI |
|---|---|---|
| クイズ・フラッシュカードのJSON/Markdown/HTML出力 | ❌ | ✅ |
| マインドマップのJSON抽出 | ❌ | ✅ |
| データテーブルのCSVダウンロード | ❌ | ✅ |
| スライドのPPTXダウンロード・個別スライドの自然言語修正 | ❌ | ✅ |
| 成果物の一括ダウンロード、ソース全文の取得 | ❌ | ✅ |
| 共有・権限設定の変更、チャット履歴のノート保存 | ❌ | ✅ |
| 音声概要・動画概要・スライド・インフォグラフィック生成 | ✅ | ✅ |
クイズやカードのJSONは、社内研修システム、LMS、Ankiのような反復学習ツールとの連携に効く。PPTXなら、自動生成したスライドを後から人手で仕上げる分業ができる。
| 観点 | notebooklm-py | 公式NotebookLM(Web UI) |
|---|---|---|
| 操作方法 | Python / CLI / MCP | ブラウザ手動操作 |
| ソース追加 | コマンドで一括 | 1件ずつドラッグ&ドロップ |
| バッチ処理 | 複数ノートブックを並列 | 1画面ずつ手作業 |
| CI/CD・cron組み込み | 可 | 不可 |
| 認証 | 初回のみブラウザ、以後は自動 | 毎回ブラウザ |
| 安定性 | 非公式API依存(変更リスク) | 公式サポート |
生成AIとしての中身は同じNotebookLMで、違うのは操作の口だけだ。notebooklm-pyは本家を置き換えるのではなく、プログラマブルな操作口を後付けする。10個のテーマに同じ処理をするなら、Web UIでは10回同じクリックを繰り返すが、コードならループで回して終わる。導入判断は「この作業を今後も繰り返すか」の一点で決まる。単発ならWeb UIのほうが速い。
notebooklm pythonで使う:Python APIとClaude Code・MCP連携でRAGを作る
notebooklm-pyはエージェントのツールとして使う前提で作られている。リポジトリにはスキル定義(SKILL.md)とCodex向けAGENTS.mdが同梱され、notebooklm skill installで~/.claude/skills/notebooklmなどに配置される。npx skills add teng-lin/notebooklm-pyでも取得できる。
Pythonから使うAPIはasyncioベースだ。ソース追加、質問、音声とクイズの生成・保存までを1つの関数にまとめた例を示す。
import asyncio
from notebooklm import NotebookLMClient
async def main():
async with NotebookLMClient.from_storage() as client:
nb = await client.notebooks.create("Research Pipeline")
await client.sources.add_url(nb.id, "https://example.com/paper", wait=True)
# 引用つきで質問
result = await client.chat.ask(nb.id, "このドキュメントを要約してください")
print(result.answer)
# 音声概要を生成 → 完了待ち → 保存
status = await client.artifacts.generate_audio(nb.id, instructions="make it engaging")
await client.artifacts.wait_for_completion(nb.id, status.task_id)
await client.artifacts.download_audio(nb.id, "podcast.mp3")
# クイズを生成してJSONで保存
status = await client.artifacts.generate_quiz(nb.id)
await client.artifacts.wait_for_completion(nb.id, status.task_id)
await client.artifacts.download_quiz(nb.id, "quiz.json", output_format="json")
asyncio.run(main())
ポイントは3つある。from_storage()はnotebooklm loginで保存済みの認証情報を読むので、コードにパスワードやトークンを書かずに済む。生成系メソッドはtask_idを返すジョブで、wait_for_completionで完了を待ってからダウンロードする。重い解析はGoogle側なので、待ち時間に手元のCPUは使わない。chat.ask()のresult.answerは資料に根拠づいた回答で、裏取りが前提のRAGにそのまま使える。asyncioなので、asyncio.gatherで複数ノートブックを並列に回す一晩バッチも数十行で書ける。
READMEに載る代表的な使い方は次のとおり。
・ゼロトークン・リサーチ:30本の資料をノートブックに入れ、重い分析はGeminiに任せ、エージェントは仕上げだけにトークンを使う
・クロスセッション記憶:「Master Brain」ノートブックに決定事項をnote createで追記し、次のセッション冒頭でaskして文脈を思い出す
・Obsidian連携:vaultのルートでCLIを走らせ、レポートやマインドマップJSONをノートとして落とす
・社内ナレッジベース(RAG):製品ドキュメント・FAQ・RFC・過去チケットを読ませ、ask --jsonで根拠つきの回答を取る
MCPサーバーも同梱され、Claude Desktop/Claude Code、Cursor、Windsurfなどのクライアントに、NotebookLMのツール群を公開できる。コーディングエージェントが、社内RFCやアーキテクチャ文書のノートブックに対して引用つきで答えられるようになる。ベクターDBと埋め込みパイプラインを立てる代わりに、既存のNotebookLMを「エージェントの記憶」として差し込む形だ。REST APIサーバー(実験的)もあり、CLIプロセスを毎回起動せずローカルのHTTP経由で呼べる。自前でRAGを組むLangChainによるRAG構築と比べると、チャンキングと埋め込みの設計を握るのがLangChain、Googleのインフラをバックエンドにするのがnotebooklm-pyだ。
類似ツール比較と導入前の注意点:非公式APIのリスクを理解する
近い選択肢と並べると、立ち位置がはっきりする。
| 項目 | notebooklm-py | Google公式API | LangChain + RAG | Dify |
|---|---|---|---|---|
| NotebookLM連携 | 直接操作 | 未提供 | 非対応 | 非対応 |
| 音声生成 | ✅ | N/A | 外部API必要 | 外部API必要 |
| クイズ生成 | ✅ | N/A | プロンプト設計必要 | ワークフロー構築必要 |
| ライセンス | MIT | N/A | MIT | Apache 2.0 |
| 安定性 | 非公式API依存 | N/A | 安定 | 安定 |
| 学習コスト | 低 | N/A | 中〜高 | 低(GUI) |
NotebookLMの全機能をPythonから直接操作できるのは、現状notebooklm-pyだけだ。ただし安定性を最優先するなら、LangChainでRAGシステムを構築するか、Onyxで企業向けRAGチャットボットを構築するといった、公式にサポートされたスタックのほうが合理的だ。
非公式APIには3つのリスクがある。Google側のエンドポイント変更で予告なく止まること、ヘビーな利用でレート制限を受けること、保存されたCookieがGoogleアカウントへのアクセス権そのものであることだ。重要なワークフローには停止時のフォールバックを設計し、Cookieの保存先は権限管理を徹底する。
開発は活発で、PyPIには19以上のリリースがあり、移行ガイド、API安定性ポリシー、トラブルシューティングが整備されている。バージョンは頻繁に上がるので、自動化スクリプトではバージョンを固定し、アップグレード時に挙動を確認してから反映する。Linuxでplaywright install chromiumがTypeError: onExit is not a functionで失敗する既知の問題も、公式ドキュメントに回避策がある。macOS・Linux・WindowsはCIで検証され、Python 3.10〜3.14に対応する。
THE SCALEリポジトリの規模
非公式ながら1.8万スターのMIT OSS
18,357star
GitHubスター
フォークは2,465
0.7.3
PyPI最新版
2026-06-30公開
3.14
対応Pythonの上限
3.10〜3.14に対応・MIT
結論として、「NotebookLMの成果物を繰り返し・大量に・別システムと繋げて扱いたい」ならnotebooklm-pyは有力な選択肢で、「たまに1本ポッドキャストを作るだけ」ならWeb UIで足りる。まず個人のリサーチ用ノートブックで試し、壊れても困らない範囲から自動化を広げるのが安全だ。
関連記事: RAGとは?仕組み・構築・ベクトルDB選定まで【2026年完全ガイド】





