# Глубокие возможности NotebookLM через неофициальный Python API: создавайте контент и управляйте исследованиями автоматически

- Site: VeraPoint News
- Section: Инструменты
- Date: 2026-05-22
- Canonical: https://verapointmedia.com/tools/teng-lin-notebooklm-py/
- Markdown: https://verapointmedia.com/tools/teng-lin-notebooklm-py.md
- Summary: Разбор notebooklm-py — неофициального Python API для Google NotebookLM, которое открывает функции, скрытые в веб-интерфейсе, и позволяет автоматизировать создание контента и исследования.
- SEO title: notebooklm-py: Python API для автоматизации Google NotebookLM
- SEO description: Разбор notebooklm-py — неофициального Python API для Google NotebookLM, которое открывает функции, скрытые в веб-интерфейсе, и позволяет автоматизировать с
- Target queries: notebooklm-py; notebooklm-py github; NotebookLM Python API; автоматизация Google NotebookLM
- Tags: #notebooklm #python-api #automation #research #content-generation #ai-agents
- Image: https://verapointmedia.com/static/content-assets/tools/teng-lin-notebooklm-py/cover.webp

## Sources

- https://github.com/teng-lin/notebooklm-py
- https://trendshift.io/repositories/19116
- https://trendshift.io/api/badge/repositories/19116
- https://asciinema.org/a/767284

---

`notebooklm-py` — это неофициальный Python-инструмент, который превращает интерактивный сервис Google NotebookLM в мощный программируемый движок для автоматизации: он даёт доступ к созданию подкастов, видео, слайдов и анализу документов через скрипты и AI-агентов. Ссылка: https://github.com/teng-lin/notebooklm-py

Это не просто API-обёртка. Если NotebookLM в браузере — это уютный диалог с вашими документами, то `notebooklm-py` — это пульт управления заводом по переработке информации. Он позволяет делать то, чего нет в интерфейсе: массово скачивать созданные материалы, экспортировать карточки и опросники в JSON, генерировать видео и даже управлять этим всем из кода вашего приложения или через командную строку. По сути, это легализация внутренних возможностей сервиса для автоматизации.

## Если просто

Google NotebookLM — это умный помощник, который может отвечать на вопросы на основе загруженных вами документов, статей или видео. Он умеет сам генерировать краткие выводы, подкасты и инфографику. Но всё это происходит в браузере, вручную.

`notebooklm-py` ломает эту стену. Он даёт команды, чтобы ваши скрипты или другие ИИ-агенты могли сами создавать блокноты, загружать туда сотни PDF-файлов, задавать вопросы, а затем — и это главное — автоматически генерировать на основе этого готовый контент: от аудиообзора до полного набора слайдов в PowerPoint. И всё это без единого клика мышкой.

Работает он через обратный инжиниринг внутренних API Google (это неофициально, об этом ниже), предоставляя три интерфейса: чистый Python-код для разработчиков, CLI (командную строку) для сценариев и готовый "скилл" для интеграции в AI-агентов вроде Claude Code.

## Что это решает

Боль здесь в масштабе и повторяемости. Допустим, вы каждый месяц делаете дайджест для команды на основе десятка новых отчётов. Вручную в интерфейсе это: загрузить файлы, дождаться обработки, вручную запросить сводку, потом ещё запросить слайды, скачать их по одному. `notebooklm-py` превращает это в один скрипт, который можно запустить по расписанию. Или вы исследователь, который хочет проанализировать сотни научных статей и автоматически сгенерировать сравнительную таблицу или карту понятий (mind map). В веб-интерфейсе такого функционала просто нет — а в этом API есть.

Он решает проблему "чёрного ящика". В браузере вы не можете получить сырые данные из сгенерированного опроса (quiz) или структурированный JSON для карты памяти, чтобы визуализировать её в своём инструменте. Этот пакет даёт прямой доступ ко всем артефактам.

## Как попробовать

Установка прямолинейна, но есть нюанс с аутентификацией. Так как это неофициальный доступ, нужно "представиться" Google от вашего имени. Инструмент использует Playwright (инструмент для автоматизации браузера) для входа в ваш аккаунт и сохранения куки (файлов авторизации).

Вот быстрый старт:
1.  Установите пакет с поддержкой браузера: `pip install "notebooklm-py[browser]"`
2.  Установите браузер для автоматизации: `playwright install chromium` (это скачает около 170 МБ).
3.  Выполните вход: `notebooklm login`. Откроется окно браузера, где нужно войти в ваш Google-аккаунт. После этого куки сохранятся.
4.  Проверьте, что всё работает: `notebooklm auth check --test`.

Если вам не нужен автоматический вход (например, для продакшн-сервера), можно установить лёгкую версию (`pip install notebooklm-py`) и вручную подготовить файл с куками.

## 3 сценария с примерами

**Сценарий 1: Автоматическое создание еженедельного подкаста для команды.**
*   **Задача:** Каждый понедельник собирать свежие статьи из блога компании и техновостей по заданной теме, и генерировать 10-минутный аудиообзор.
*   **Как применить:** Пишем Python-скрипт или используем CLI в cron-задаче.
    ```bash
    # Создаём блокнот для новой недели
    notebooklm create "Tech Digest Week 25"
    # Добавляем источники (URL статей)
    notebooklm source add "https://example.com/blog/post1"
    notebooklm source add "https://example.com/news/article2"
    # Генерируем развёрнутый аудиообзор и ждём завершения
    notebooklm generate audio "Создай краткий, энергичный обзор ключевых инсайтов" --length long --wait
    # Скачиваем готовый MP3
    notebooklm download audio ./weekly_podcast_25.mp3
    ```
*   **Что получится:** Готовый MP3-файл с озвученным дайджестом, который можно сразу рассылать команде.

**Сценарий 2: Подготовка учебных материалов из PDF-учебника.**
*   **Задача:** Преподаватель загрузил новый учебник и хочет быстро создать набор карточек для запоминания и финальный тест.
*   **Как применить:** Используем CLI для последовательных действий.
    ```bash
    notebooklm create "Biology Textbook Chapter 5"
    notebooklm source add "./chapter5.pdf"
    # Генерируем 20 карточек для запоминания
    notebooklm generate flashcards --quantity more
    # Генерируем сложный тест из 15 вопросов
    notebooklm generate quiz --difficulty hard --quantity 15
    # Экспортируем карточки и тест в структурированном формате (недоступно в UI!)
    notebooklm download flashcards --format json ./chapter5_cards.json
    notebooklm download quiz --format markdown ./chapter5_quiz.md
    ```
*   **Что получится:** Файл `chapter5_cards.json`, который можно загрузить в приложения для повторения (вроде Anki), и файл `chapter5_quiz.md` с вопросами и ответами для печати или онлайн-платформы.

**Сценарий 3: Исследование рынка с визуализацией.**
*   **Задача:** Аналитик собрал 50 PDF-отчётов о рынке. Нужно автоматически выделить ключевых игроков и их характеристики, представив это в виде сводной таблицы и карты взаимосвязей.
*   **Как применить:** Здесь уже нужен Python-скрипт для работы с множеством файлов.
    ```python
    from notebooklm import NotebookLM
    import asyncio

    async def analyze_reports():
        async with NotebookLM() as nl:
            notebook = await nl.create_notebook("Market Analysis")
            # Массовая загрузка всех PDF из папки
            for pdf_path in glob.glob("./reports/*.pdf"):
                await notebook.add_source(file_path=pdf_path)
            # Генерация таблицы по нашему запросу
            await notebook.generate_data_table("Создай таблицу с колонками: Компания, Основной продукт, Рыночная доля, Ключевая технология")
            # Генерация карты памяти (mind map) для визуализации
            await notebook.generate_mind_map()
            # Скачивание результатов
            await notebook.download_data_table("./market_table.csv")
            await notebook.download_mind_map("./market_mindmap.json")

    asyncio.run(analyze_reports())
    ```
*   **Что получится:** CSV-файл со структурированными данными для анализа в Excel и JSON-файл с иерархией понятий, который можно загрузить в инструмент для построения интерактивных карт (например, Miro через плагин).

## Где можно застрять

1.  **Хрупкость.** Это главный минус. Инструмент использует недокументированные API Google. В любой момент Google может изменить внутренние endpoints, и скрипты сломаются. Авторы честно предупреждают: использовать на свой страх и риск, только для прототипов и личных проектов.
2.  **Аутентификация.** Процесс с Playwright и куками может быть нетривиальным на серверах без графического интерфейса (headless). Есть варианты с импортом кук из существующего браузера, но это требует дополнительной настройки.
3.  **Лимиты и стоимость.** Хотя сам NotebookLM пока бесплатен, Google может применять лимиты на количество запросов через API. Интенсивное автоматическое использование может привести к временной блокировке.
4.  **Установка Playwright.** На некоторых Linux-системах могут возникнуть ошибки при установке Chromium. В документации есть workaround, но это лишний шаг.

## Кому это нужно

*   **Исследователям и аналитикам**, которые работают с большими массивами документов и хотят автоматизировать первичный анализ и создание выводов.
*   **Контент-менеджерам и педагогам**, которым нужно быстро превращать сырую информацию в готовые форматы: подкасты, видеоуроки, слайды, тесты.
*   **Разработчикам AI-агентов**, которые хотят дать своим агентам (Claude Code, Codex) способность "читать" и обрабатывать документы через мощный готовый движок NotebookLM.
*   **Техническим специалистам**, которые строят внутренние пайплайны обработки знаний в компании и хотят добавить в них генерацию контента.

## Кому это не нужно

*   **Если вы пользуетесь NotebookLM от случая к случаю** для разовых вопросов к паре документов.

## Что читать дальше

- [Все материалы про AI-агентов](/topics/ai-agents/)
- [Что такое AI-агент простыми словами](https://verapointmedia.com/guides/chto-takoe-ai-agent-prostymi-slovami/)
- [Все материалы про AI-инструменты](/topics/ai-tools/)
- [Как отличить рабочий AI-инструмент от красивой демки](https://verapointmedia.com/guides/kak-otlichit-rabochiy-ai-instrument-ot-krasivoy-demki/)

## Материалы

- [teng-lin/notebooklm-py] teng-lin/notebooklm-py: https://github.com/teng-lin/notebooklm-py
- [trendshift.io] supporting context: https://trendshift.io/repositories/19116
- [trendshift.io] supporting context: https://trendshift.io/api/badge/repositories/19116
- [asciinema.org] supporting context: https://asciinema.org/a/767284