{"title":"Глубокие возможности NotebookLM через неофициальный Python API: создавайте контент и управляйте исследованиями автоматически","url":"https://verapointmedia.com/tools/teng-lin-notebooklm-py/","markdownUrl":"https://verapointmedia.com/tools/teng-lin-notebooklm-py.md","language":"ru","category":"tools","publishedAt":"2026-05-22T08:30:38.000Z","updatedAt":"2026-05-22T08:30:38.000Z","references":["https://github.com/teng-lin/notebooklm-py","https://trendshift.io/repositories/19116","https://trendshift.io/api/badge/repositories/19116","https://asciinema.org/a/767284"],"rights":"Public user-requested reading, summarization and citation allowed. Model training requires separate permission.","contentMarkdown":"# Глубокие возможности NotebookLM через неофициальный Python API: создавайте контент и управляйте исследованиями автоматически\n\n- Site: VeraPoint News\n- Section: Инструменты\n- Date: 2026-05-22\n- Canonical: https://verapointmedia.com/tools/teng-lin-notebooklm-py/\n- Markdown: https://verapointmedia.com/tools/teng-lin-notebooklm-py.md\n- Summary: Разбор notebooklm-py — неофициального Python API для Google NotebookLM, которое открывает функции, скрытые в веб-интерфейсе, и позволяет автоматизировать создание контента и исследования.\n- SEO title: notebooklm-py: Python API для автоматизации Google NotebookLM\n- SEO description: Разбор notebooklm-py — неофициального Python API для Google NotebookLM, которое открывает функции, скрытые в веб-интерфейсе, и позволяет автоматизировать с\n- Target queries: notebooklm-py; notebooklm-py github; NotebookLM Python API; автоматизация Google NotebookLM\n- Tags: #notebooklm #python-api #automation #research #content-generation #ai-agents\n- Image: https://verapointmedia.com/static/content-assets/tools/teng-lin-notebooklm-py/cover.webp\n\n## Sources\n\n- https://github.com/teng-lin/notebooklm-py\n- https://trendshift.io/repositories/19116\n- https://trendshift.io/api/badge/repositories/19116\n- https://asciinema.org/a/767284\n\n---\n\n`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\n\nЭто 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.\n\n## Если просто\n\nGoogle 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.\n\n`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.\n\nРаботает 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.\n\n## Что это решает\n\nБоль 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.\n\nОн 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.\n\n## Как попробовать\n\nУстановка 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).\n\nВот быстрый старт:\n1.  Установите пакет с поддержкой браузера: `pip install \"notebooklm-py[browser]\"`\n2.  Установите браузер для автоматизации: `playwright install chromium` (это скачает около 170 МБ).\n3.  Выполните вход: `notebooklm login`. Откроется окно браузера, где нужно войти в ваш Google-аккаунт. После этого куки сохранятся.\n4.  Проверьте, что всё работает: `notebooklm auth check --test`.\n\nЕсли вам не нужен автоматический вход (например, для продакшн-сервера), можно установить лёгкую версию (`pip install notebooklm-py`) и вручную подготовить файл с куками.\n\n## 3 сценария с примерами\n\n**Сценарий 1: Автоматическое создание еженедельного подкаста для команды.**\n*   **Задача:** Каждый понедельник собирать свежие статьи из блога компании и техновостей по заданной теме, и генерировать 10-минутный аудиообзор.\n*   **Как применить:** Пишем Python-скрипт или используем CLI в cron-задаче.\n    ```bash\n    # Создаём блокнот для новой недели\n    notebooklm create \"Tech Digest Week 25\"\n    # Добавляем источники (URL статей)\n    notebooklm source add \"https://example.com/blog/post1\"\n    notebooklm source add \"https://example.com/news/article2\"\n    # Генерируем развёрнутый аудиообзор и ждём завершения\n    notebooklm generate audio \"Создай краткий, энергичный обзор ключевых инсайтов\" --length long --wait\n    # Скачиваем готовый MP3\n    notebooklm download audio ./weekly_podcast_25.mp3\n    ```\n*   **Что получится:** Готовый MP3-файл с озвученным дайджестом, который можно сразу рассылать команде.\n\n**Сценарий 2: Подготовка учебных материалов из PDF-учебника.**\n*   **Задача:** Преподаватель загрузил новый учебник и хочет быстро создать набор карточек для запоминания и финальный тест.\n*   **Как применить:** Используем CLI для последовательных действий.\n    ```bash\n    notebooklm create \"Biology Textbook Chapter 5\"\n    notebooklm source add \"./chapter5.pdf\"\n    # Генерируем 20 карточек для запоминания\n    notebooklm generate flashcards --quantity more\n    # Генерируем сложный тест из 15 вопросов\n    notebooklm generate quiz --difficulty hard --quantity 15\n    # Экспортируем карточки и тест в структурированном формате (недоступно в UI!)\n    notebooklm download flashcards --format json ./chapter5_cards.json\n    notebooklm download quiz --format markdown ./chapter5_quiz.md\n    ```\n*   **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.\n\n**Сценарий 3: Исследование рынка с визуализацией.**\n*   **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.\n*   **Как применить:** Здесь уже нужен Python-скрипт для работы с множеством файлов.\n    ```python\n    from notebooklm import NotebookLM\n    import asyncio\n\n    async def analyze_reports():\n        async with NotebookLM() as nl:\n            notebook = await nl.create_notebook(\"Market Analysis\")\n            # Массовая загрузка всех PDF из папки\n            for pdf_path in glob.glob(\"./reports/*.pdf\"):\n                await notebook.add_source(file_path=pdf_path)\n            # Генерация таблицы по нашему запросу\n            await notebook.generate_data_table(\"Создай таблицу с колонками: Компания, Основной продукт, Рыночная доля, Ключевая технология\")\n            # Генерация карты памяти (mind map) для визуализации\n            await notebook.generate_mind_map()\n            # Скачивание результатов\n            await notebook.download_data_table(\"./market_table.csv\")\n            await notebook.download_mind_map(\"./market_mindmap.json\")\n\n    asyncio.run(analyze_reports())\n    ```\n*   **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).\n\n## Где можно застрять\n\n1.  **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.\n2.  **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.\n3.  **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.\n4.  **Установка Playwright.** На некоторых Linux-системах могут возникнуть ошибки при установке Chromium. В документации есть workaround, но это лишний шаг.\n\n## Кому это нужно\n\n*   **Исследователям и аналитикам**, которые работают с большими массивами документов и хотят автоматизировать первичный анализ и создание выводов.\n*   **Контент-менеджерам и педагогам**, которым нужно быстро превращать сырую информацию в готовые форматы: подкасты, видеоуроки, слайды, тесты.\n*   **Разработчикам AI-агентов**, которые хотят дать своим агентам (Claude Code, Codex) способность \"читать\" и обрабатывать документы через мощный готовый движок NotebookLM.\n*   **Техническим специалистам**, которые строят внутренние пайплайны обработки знаний в компании и хотят добавить в них генерацию контента.\n\n## Кому это не нужно\n\n*   **Если вы пользуетесь NotebookLM от случая к случаю** для разовых вопросов к паре документов.\n\n## Что читать дальше\n\n- [Все материалы про AI-агентов](/topics/ai-agents/)\n- [Что такое AI-агент простыми словами](https://verapointmedia.com/guides/chto-takoe-ai-agent-prostymi-slovami/)\n- [Все материалы про AI-инструменты](/topics/ai-tools/)\n- [Как отличить рабочий AI-инструмент от красивой демки](https://verapointmedia.com/guides/kak-otlichit-rabochiy-ai-instrument-ot-krasivoy-demki/)\n\n## Материалы\n\n- [teng-lin/notebooklm-py] teng-lin/notebooklm-py: https://github.com/teng-lin/notebooklm-py\n- [trendshift.io] supporting context: https://trendshift.io/repositories/19116\n- [trendshift.io] supporting context: https://trendshift.io/api/badge/repositories/19116\n- [asciinema.org] supporting context: https://asciinema.org/a/767284\n"}