Open Notebook : le carnet de recherche IA auto-hébergé

#L'idée : un carnet de recherche assisté

Un carnet regroupe des sources : des PDF, des pages web, des vidéos YouTube, des fichiers audio, des documents Office. L'outil les indexe, permet de les interroger en langage naturel, et surtout de produire des objets dérivés — résumés, synthèses croisées, notes, podcasts à plusieurs voix — qui restent rattachés à leurs sources. Le projet se présente lui-même comme une alternative privée, multi-modèle et 100 % locale, entièrement fonctionnelle, à Notebook LM.

La différence avec un simple assistant documentaire tient à cette notion de carnet : on ne pose pas une question isolée à un corpus, on constitue un dossier sur un sujet et on travaille dedans dans la durée, avec plusieurs carnets pour plusieurs projets de recherche en parallèle, chacun avec ses sources et son historique propres.

#Ce que change la version locale

Les sources ne partent pas

Documents confidentiels, dossiers clients, matériaux sous embargo : le traitement reste sur votre machine si vous choisissez des fournisseurs locaux (Ollama, LM Studio, ou oMLX sur Apple Silicon).

Le choix du modèle

18 fournisseurs pris en charge nativement — OpenAI, Anthropic, Google, Mistral, Groq, xAI, DeepSeek, Ollama, LM Studio, OpenRouter et d'autres — via la bibliothèque Esperanto du même auteur. C'est vous qui tranchez, fournisseur par fournisseur.

Pas de limites arbitraires

Le nombre de carnets et de sources dépend de votre disque, pas d'un palier tarifaire ; le coût réel se limite à l'usage des API que vous choisissez de brancher.

En échange, l'exploitation

C'est un service Docker (backend Python/FastAPI, interface Next.js/React, base SurrealDB) à installer, sauvegarder et mettre à jour. La contrepartie habituelle de l'auto-hébergement.

#Ce qu'Open Notebook fait de plus que NotebookLM

Le dépôt officiel publie un tableau comparatif direct avec Google NotebookLM. Sur plusieurs points, l'écart n'est pas seulement « c'est local » : le nombre de voix des podcasts générés, l'accès API et les transformations de contenu personnalisables vont au-delà de ce que propose l'outil de Google.

Ce dernier point mérite d'être cité honnêtement : le projet reconnaît lui-même, dans son propre comparatif publié sur GitHub, que ses citations sont pour l'instant plus basiques que celles de NotebookLM. Ce n'est donc pas un remplacement supérieur sur tous les axes — c'est un compromis, favorable dès que la confidentialité, le choix du modèle, l'automatisation par API ou la génération de podcasts comptent plus que la qualité fine des citations affichées à l'écran.

Podcasts à profils d'épisode

Débat, cours magistral, interview, explication pour débutants ou pour experts : la structure de l'épisode se configure, contrairement au format « deep dive » unique de NotebookLM.

Support des modèles de raisonnement

Prise en charge complète de modèles « thinking » comme DeepSeek-R1 ou Qwen3, utile pour des synthèses qui demandent plusieurs étapes de réflexion.

Transformations de contenu

Des actions personnalisables pour résumer, extraire des insights ou reformuler, au-delà du simple résumé automatique.

Protection par mot de passe

Utile pour un déploiement exposé publiquement, en plus du contrôle fin de ce qui est partagé avec chaque modèle.

#Installer en local, avec ou sans Ollama

Le déploiement documenté tient en trois étapes : récupérer le docker-compose.yml officiel, renseigner les clés d'API souhaitées dans l'interface (pas de fichier de configuration à éditer à la main), puis démarrer les services. Le seul prérequis annoncé est Docker Desktop.

1. 01
   Récupérer le fichier de service

   curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml, ou copier le contenu manuellement depuis le dépôt.
2. 02
   Choisir la variante 100 % locale si besoin

   Le dépôt fournit un fichier séparé, examples/docker-compose-ollama.yml, qui ajoute Ollama comme fournisseur par défaut pour ne rien envoyer sur internet.
3. 03
   Démarrer et configurer

   docker compose up -d, puis ouvrir l'interface locale et renseigner les clés d'API des fournisseurs distants éventuels ; aucune clé n'est nécessaire pour un usage 100 % Ollama.

La documentation officielle propose deux parcours distincts selon le profil : un « Quick Start with OpenAI » pour être opérationnel en cinq minutes avec un fournisseur distant, et un guide « Run It Fully Local » dédié à Ollama et LM Studio pour un usage entièrement privé dès l'installation. L'API REST complète, elle, expose sa propre documentation interactive sur le port local 5055, utile pour brancher le carnet à un script ou une automatisation existante plutôt que de tout faire depuis l'interface web.

#Trois façons de s'en servir en pratique

Le projet organise le travail autour de plusieurs carnets indépendants (« Multi-Notebook Organization »), chacun avec ses propres sources, ses propres notes et son propre historique de discussion. Trois usages reviennent le plus souvent chez les utilisateurs qui documentent leur migration depuis NotebookLM.

Revue de littérature

Un carnet par thème de recherche, des dizaines de PDF ajoutés au fil des lectures, une transformation de contenu personnalisée pour en extraire systématiquement méthode, résultats et limites de chaque article.

Veille et notes de réunion

Des transcriptions ajoutées régulièrement, une discussion contextuelle pour retrouver « qu'est-ce qui a été décidé sur X en mars », et un podcast de synthèse à écouter en marge d'autres tâches.

Documentation produit ou support client

Toute la documentation interne dans un carnet dédié, interrogée en langage naturel par l'équipe, avec un fournisseur local pour ne pas faire transiter des documents internes ou des procédures sensibles vers un service tiers hébergé ailleurs.

Ce qui distingue ces usages d'un simple chat avec un modèle, c'est que chaque réponse reste ancrée dans les sources du carnet actif : changer de carnet change le contexte disponible, sans qu'il faille recharger ou réexpliquer quoi que ce soit au modèle. Le contrôle fin de ce qui est partagé avec le modèle — un sous-ensemble de sources plutôt que le carnet entier — permet aussi de limiter le contexte envoyé, donc la latence et le coût, sur un carnet volumineux.

#Comment on s'en sert vraiment

1. 01
   Un carnet par sujet, pas un carnet pour tout

   La qualité des réponses chute quand un carnet mélange des matières sans rapport : les passages les plus proches d'une question commencent à venir d'ailleurs.
2. 02
   Ajouter les sources progressivement

   Et vérifier ce que l'outil a réellement extrait de chacune. Un PDF scanné sans couche de texte s'indexe à vide, quel que soit le moteur de recherche utilisé derrière.
3. 03
   Configurer un modèle d'embedding adapté

   C'est lui qui décide de ce que la recherche retrouve, bien plus que le modèle qui rédige. Pour des documents en français, il doit être multilingue ; Ollama, Google et Mistral proposent des embeddings dans la matrice de fournisseurs du projet.
4. 04
   Exiger les citations, avec leurs limites en tête

   Une réponse sans source n'est pas vérifiable. Le projet annonce lui-même des citations encore basiques : vérifier la source citée reste indispensable avant de reprendre un résultat tel quel.

#Les limites, y compris celles que le projet reconnaît lui-même

La qualité vient du modèle

Un petit modèle local résume platement. L'outil organise le travail, il ne remplace pas la capacité de synthèse — d'où l'intérêt du support des modèles de raisonnement pour les tâches complexes.

Les citations sont encore basiques

Le propre comparatif du projet le dit : moins abouties que celles de NotebookLM, avec une amélioration annoncée mais non datée.

Les sources audio et vidéo demandent une transcription

Assurée selon le fournisseur choisi (Whisper via des API, Deepgram, ou un moteur local comme Faster-Whisper en amont), mais c'est une étape de calcul supplémentaire.

Projet jeune et actif

Le dépôt a démarré fin 2024 et évolue vite ; vérifiez les fonctionnalités annoncées sur la version que vous installez (CHANGELOG, releases GitHub) plutôt que sur un article.

Tous les fournisseurs ne font pas tout

La matrice publiée par le projet distingue quatre capacités par fournisseur — LLM, embedding, transcription, synthèse vocale — et peu les couvrent toutes. Anthropic et Groq, par exemple, n'ont pas d'embedding chez Open Notebook : il faut souvent combiner deux fournisseurs, un pour rédiger et un autre pour indexer ou transcrire.

#Open Notebook ou un RAG classique

• AnythingLLM : RAG production-ready en local
• Le modèle d'embedding décide de ce qu'on retrouve
• Préparer proprement des PDF avant indexation
• Transcrire des sources audio avant de les ajouter au carnet
• Source : dépôt GitHub officiel d'Open Notebook
• Source : fichier docker-compose.yml officiel
• Source : bibliothèque Esperanto (couche multi-fournisseurs)

#FAQ