NotebookLM en local: alternativas open-source auto-hospedadas

#Qué hace NotebookLM y qué se puede replicar

Antes de reconstruirlo, hay que entender qué aporta realmente NotebookLM. No es un chatbot generalista: es un asistente «anclado» en un corpus de documentos que tú eliges. Solo responde a partir de esas fuentes, cita sus pasajes y, en teoría, se niega a inventar lo que no aparece en ellas. Tres componentes conforman la experiencia.

El cuaderno de fuentes

Se importan PDF, páginas web, notas o transcripciones. Estas fuentes constituyen el único conjunto del que el asistente puede extraer información.

Las respuestas citadas

Cada afirmación apunta al pasaje fuente que la respalda, lo que permite verificarlo con un clic en lugar de confiar ciegamente.

El resumen de audio (Audio Overview)

Dos voces sintéticas conversan sobre tus documentos en formato de podcast, para escuchar una síntesis mientras caminas en lugar de leerla.

Estas tres funciones pueden replicarse hoy con componentes libres. La primera y la segunda no son más que RAG (Retrieval-Augmented Generation) bien implementado: indexación de las fuentes, búsqueda de los pasajes pertinentes y generación de una respuesta que remite a ellos. La tercera es un pipeline de texto → diálogo → síntesis de voz (TTS). Nada exótico: todo cabe en una máquina con una GPU de gama de entrada.

#¿Por qué querer un NotebookLM local?

La razón número uno es la confidencialidad. Un notebook suele contener lo más sensible: notas de investigación no publicadas, documentos internos de la empresa, expedientes de clientes, contratos, informes médicos. Depositarlos en Google es confiar una copia a un tercero, con condiciones de uso que cambian y sobre las cuales no tienes control. Montar un NotebookLM local resuelve el problema de raíz: los archivos permanecen en tu disco, la inferencia se ejecuta en tu hardware.

Soberanía de los datos

Ningún documento ni ninguna solicitud pasa por un servicio de terceros. Esencial para el RGPD, el secreto profesional o la investigación y el desarrollo confidenciales.

Sin cuotas de uso ni suscripción

Una vez que la pila esté en marcha, puedes procesar tantas fuentes como tu disco y tu paciencia te permitan, sin límite mensual.

Sin conexión

La cadena completa funciona sin conexión, lo cual es útil en desplazamientos o en redes aisladas.

Control del modelo

Eliges el LLM, el idioma preferido, la cuantización y los ajustes, en lugar de tener que someterte a un modelo de caja negra.

#Las alternativas de código abierto creíbles

Varios proyectos buscan explícitamente ser un NotebookLM local. Ninguno es perfecto, pero todos se conectan a Ollama y avanzan rápidamente. Estos son los que ofrecen buenos resultados en 2026, desde el más parecido a NotebookLM hasta el que más se presta a modificaciones caseras.

Open Notebook

El más fiel al espíritu de NotebookLM: concepto de cuadernos, gestión de fuentes, chat con citas y generación integrada de podcasts. De código abierto, dockerizado y compatible con Ollama para mantenerse 100 % local.

SurfSense

Un asistente de investigación de código abierto orientado a múltiples fuentes (documentos, web, conectores). Útil para reunir información y consultarla, con compatibilidad con LLM locales.

Open WebUI / AnythingLLM

No son clones de NotebookLM, sino dos interfaces RAG maduras que cubren lo esencial: importación de documentos, chat con citas y modelos de embeddings locales. El camino más sencillo para la parte «fuentes + preguntas y respuestas».

Podcastfy

Un módulo dedicado únicamente a la parte de audio: convertir documentos o URL en una conversación a dos voces. Se controla con un LLM local y un motor TTS de tu elección.

#Prerrequisitos

Ollama

El daemon que sirve los modelos, en http://localhost:11434 por defecto. Ver la guía de instalación si aún no lo has hecho.

Un modelo de generación

Qwen 3.5 9B (≈6,6 GB de VRAM en Q4_K_M, contexto de 256k y capacidades multimodales) o Mistral Small 24B (≈14 GB) para un excelente francés; un Granite 4.2 8B (≈5,3 GB) basta en un equipo modesto.

Un modelo de embeddings

nomic-embed-text o mxbai-embed-large, disponibles para descargar mediante ollama pull. Son ligeros y funcionan incluso sin GPU.

Docker

La mayoría de las alternativas (Open Notebook, Open WebUI, AnythingLLM) se despliegan en un contenedor, lo que evita conflictos de dependencias.

Un motor TTS local

Piper para la parte de audio: rápido, ligero y con voces francesas. Ni siquiera es necesaria una GPU para la síntesis de voz.

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

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

#Paso 1: montar el notebook de fuentes con Ollama

La primera pieza de un NotebookLM local es el propio notebook: el lugar donde se depositan las fuentes y donde se indexan. Aquí usamos Open Notebook, que reproduce fielmente este concepto. Se ejecuta en un contenedor y se configura para comunicarse con tu Ollama en lugar de con un servicio en la nube.

1. 01
   Descargar el proyecto

   Clona el repositorio de Open Notebook y entra en su directorio. Incluye un archivo docker-compose listo para usar.
2. 02
   Apuntar a Ollama

   En la configuración (archivo de entorno), indica Ollama como proveedor de modelos y la URL http://localhost:11434 (o http://host.docker.internal:11434 desde el contenedor). Elige tu modelo de generación y nomic-embed-text para los embeddings.
3. 03
   Iniciar la pila

   Ejecuta docker compose up. La interfaz web se abre entonces en el navegador, con la base de datos y la indexación gestionadas por ti.
4. 04
   Crear un notebook y importar

   Crea un cuaderno, luego arrastra allí tus PDF, pega URLs o texto. Cada fuente se divide y vectoriza automáticamente.

# 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

Si prefieres no añadir otra herramienta, Open WebUI y AnythingLLM funcionan muy bien como cuadernos de fuentes: se crea un espacio de trabajo (workspace), se importan los documentos y la indexación mediante nomic-embed-text se realiza automáticamente. Es la opción «sin código» detallada en las guías RAG del sitio.

#Paso 2: preguntas y respuestas con citas

Es el núcleo de un NotebookLM local: formular una pregunta en lenguaje natural y obtener una respuesta que se base únicamente en tus fuentes, respaldada por el pasaje exacto. Técnicamente, el RAG recupera los fragmentos más cercanos a la pregunta y luego el LLM redacta a partir de ellos, no de sus conocimientos generales. La calidad de las citas depende sobre todo de dos cosas: un prompt de sistema estricto y pedir explícitamente la fuente.

Tanto en Open Notebook como en Open WebUI, este comportamiento ya está integrado: haz la pregunta en el chat del cuaderno y la respuesta muestra los fragmentos utilizados. Si construyes tu propia cadena, el prompt del sistema marca la diferencia.

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.

En cuanto a los ajustes del modelo, dos parámetros son importantes. Una temperatura baja (0.2) limita los añadidos inventados y mantiene al modelo fiel a las fuentes. Una ventana de contexto (num_ctx) suficiente permite incorporar los fragmentos recuperados sin truncarlos; de lo contrario, el modelo responde basándose solo en una parte de los pasajes.

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"])

#Paso 3: generar un resumen en audio de forma local (TTS)

Es la función emblemática de NotebookLM —el Audio Overview, dos voces que comentan tus documentos— y también la más impresionante de recrear en local. El proceso se divide en dos fases: el LLM escribe un guion de diálogo a partir de las fuentes y luego un motor TTS local convierte ese guion en audio. Así, tanto la voz como el texto se mantienen completamente sin conexión.

Primer paso: hacer redactar la conversación. Se pide al LLM un diálogo entre dos personajes que explique el contenido de forma accesible, identificando al hablante en cada intervención; estas marcas servirán para alternar las voces durante la síntesis.

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.

La segunda etapa es la síntesis de voz. Piper es la opción natural para ejecutarla en local: rápido, ligero y con voces francesas de buena calidad. Se le asigna una voz por hablante (dos archivos de modelo .onnx diferentes) para distinguir a Alex y Camille, y después se concatenan los segmentos de audio.

# 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))

Para evitar escribir este pipeline manualmente, Open Notebook incluye la generación de podcasts, y Podcastfy realiza exactamente ese trabajo de «documentos → conversación en audio» con un LLM local y el motor TTS que elijas. El pipeline manual anterior sigue siendo útil para comprender lo que sucede y mantener un control total sobre las voces y el formato.

#Solución de problemas

El contenedor no consigue conectarse a Ollama

Desde Docker, localhost apunta al contenedor. Usa host.docker.internal (añadido mediante extra_hosts en Linux) o la IP del host, y verifica que Ollama escuche bien en 0.0.0.0 si es necesario.

Respuestas sin citas o inventadas

El prompt de sistema no es lo suficientemente estricto o la temperatura es demasiado alta. Impón «solo a partir de los extractos», exige el formato [source N] y baja la temperatura a 0.2.

El PDF sale vacío al indexar

Es un documento escaneado sin capa de texto. Procésalo con OCR (ocrmypdf entree.pdf sortie.pdf) antes de importarlo.

La respuesta ignora parte de las fuentes

num_ctx demasiado pequeño: los extractos se han truncado. Auméntalo si la VRAM lo permite o reduce el número de pasajes recuperados.

Piper no encuentra la voz

Se necesitan los dos archivos por voz: el .onnx y su .onnx.json en la misma carpeta. Verifica la ruta exacta que se pasa a --model.

Audio entrecortado entre las intervenciones

La concatenación directa une los WAV sin pausas. Inserta un breve silencio entre segmentos (ffmpeg o pydub) para obtener un resultado más fluido.

#Para ir más allá

Esta guía reúne componentes ya detallados en otras partes del sitio. Para profundizar en cada paso:

Instalar Ollama: Windows, macOS y Linux

El punto de partida para servir tus modelos localmente en el puerto 11434, si aún no está en funcionamiento.

RAG local con Ollama sin programar (Open WebUI, AnythingLLM)

La opción sin código para la parte de «fuentes + preguntas y respuestas con citas» de tu NotebookLM local.

Asistente de voz 100 % local: Whisper + Ollama + Piper

Para profundizar en Piper y la síntesis de voz local, más allá del resumen de audio.