客戶資料別急著丟 NotebookLM：分成三級，再決定哪些交給 Open Notebook

何佳勳 · 2026/10/01 · 約 4 分鐘
TL;DR

Open Notebook 跟 NotebookLM 怎麼選，看資料分三級：公開資料丟 NotebookLM 最省事，客戶個資與保密資料交給接本機模型的 Open Notebook，中間的內部資料用公司 Workspace 帳號（官方寫明不人工審閱、不訓練）且別按回饋。NotebookLM 已在 2026 年 7 月 16 日改名 Gemini Notebook，官方說是同一個產品，舊網址會自動轉到 notebook.google.com。他零安裝，免費版每人 100 本筆記本、每本 50 個來源，單一來源最多 50 萬字或 200 MB；對話與語音摘要從 2026 年 9 月 2 日起改成依運算量計算的額度，每 5 小時重置、另有每週上限；台灣 Google AI Plus 每月 NT$165（每本 100 個來源、額度 2 倍）、Pro 每月 NT$650（每本 300 個來源、額度 4 倍），引用與語音摘要都做得成熟，但模型只能用 Gemini、資料在 Google 雲端。Open Notebook 是 MIT 授權的開源版（GitHub 39,671 顆星，v1.14.0），可接 18 家以上模型含本機的 Ollama 與 LM Studio，podcast 可設 1 到 4 位講者並自選語音合成，有 REST API 與 MCP；代價是單人優先、只有一組共用密碼、要會 Docker，引用在 README 對照表自評為基本版，後來雖有改版補強，完整度目前仍以 NotebookLM 較好。自架不等於資料不出門，語言、嵌入、語音模型只要有一個接雲端 API，內容一樣會送出去。

  • 公開資料丟 NotebookLM 最省事，免費版每本 50 個來源多數專案用不完，對話與語音摘要 9 月起改成每 5 小時重置的運算額度
  • 個人帳號按回饋時，那次用到的來源、提問和輸出都會送去，可能被人工審閱並保留最多 3 年，內部資料改用公司 Workspace 帳號比較穩
  • Open Notebook 能換 18 家以上模型、podcast 可設 1 到 4 位講者，但目前是單人優先、只有一組共用密碼
  • 自架不等於資料不出門，Open Notebook 的語言、嵌入、語音模型只要有一個接雲端 API，內容就會送到那一家
lfnovo/open-notebook
Open Notebook 跟 NotebookLM 怎麼選，看資料分三級：公開資料丟 NotebookLM 最省事，客戶個資與保密資料交給接本機模型的 Open Notebook，中間的內部資料用公司 Workspace 帳號（官方寫明不人工審閱、不訓練）且別按回饋。NotebookLM 已在 2026 年 7 月 16 日改名 Gemini Notebook，官方說是同一個產品，舊網址會自動轉到 notebook.google.com。他零安裝，免費版每人 100 本筆記本、每本 50 個來源，單一來源最多 50 萬字或 200 MB；對話與語音摘要從 2026 年 9 月 2 日起改成依運算量計算的額度，每 5 小時重置、另有每週上限；台灣 Google AI Plus 每月 NT$165（每本 100 個來源、額度 2 倍）、Pro 每月 NT$650（每本 300 個來源、額度 4 倍），引用與語音摘要都做得成熟，但模型只能用 Gemini、資料在 Google 雲端。Open Notebook 是 MIT 授權的開源版（GitHub 39,671 顆星，v1.14.0），可接 18 家以上模型含本機的 Ollama 與 LM Studio，podcast 可設 1 到 4 位講者並自選語音合成，有 REST API 與 MCP；代價是單人優先、只有一組共用密碼、要會 Docker，引用在 README 對照表自評為基本版，後來雖有改版補強，完整度目前仍以 NotebookLM 較好。自架不等於資料不出門，語言、嵌入、語音模型只要有一個接雲端 API，內容一樣會送出去。
⭐ Star 39.7k🟢 活躍維護 自架最低 RAM 4 GB來源

※ 官方建議 8 GB 以上，若要在同一台跑本機 AI 模型需要更多

curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml # 先把 OPEN_NOTEBOOK_ENCRYPTION_KEY 改掉再 docker compose up -d；NotebookLM 免安裝

手上有一份客戶訪談逐字稿、一份還沒公開的新品企劃，想丟進 NotebookLM 請他整理重點。按下上傳之前，多半會停一下：這可以給 Google 嗎？

這一停其實問了兩件事：資料要放在誰那裡，還有你想不想自己挑模型。Open Notebook 跟 NotebookLM 的差別，幾乎都落在這兩題上。

先補一個變化：NotebookLM 在 2026 年 7 月 16 日改名叫 Gemini Notebook，官方說是同一個產品，舊網址會自動轉到 notebook.google.com。搜尋時大家還是打 NotebookLM，這篇就沿用舊名。

一句話結論

公開資料跟自己的學習素材，丟 NotebookLM 最省事；客戶的、有保密約定的、含個資的，交給接本機模型的 Open Notebook。多數行銷人最後會兩個一起用，差別只在哪份資料進哪一邊。

NotebookLM 強在哪

零安裝，免費版容量夠多數人用。 官方寫的免費版上限是每人 100 本筆記本、每本 50 個來源，單一來源最多 50 萬字或 200 MB。整理一個專案，50 個來源通常用不完。

對話跟語音摘要改成算運算量。 2026 年 9 月 2 日起不再是每天固定幾次，問題越複雜、對話越長、來源越多，扣得越多，每 5 小時重置一次，另外還有每週上限。台灣的 Google AI Plus 每月 NT$165，每本 100 個來源、額度是免費版 2 倍；Google AI Pro 每月 NT$650，每本 300 個來源、額度 4 倍。

引用跟語音摘要都很成熟。 回答會標出來源，可以點回原文對照。語音摘要（Audio Overview）預設的 Deep Dive 是兩位 AI 主持人對談，另外還有 Brief、Critique、Debate 幾種格式。

他的限制也很清楚：模型只能用 Google 的 Gemini，資料放在 Google 的雲端。

Open Notebook 強在哪

Open Notebook 是開源版的 NotebookLM，MIT 授權，GitHub 上 39,671 顆星，最新版本是 v1.14.0。摘要、問答、語意搜尋、生成 podcast 這些骨架都有，真正的差別有三個。

模型自己挑。 官方列出 18 家以上的供應商，OpenAI、Anthropic、Google 都能接，也能接在自己電腦上跑的 Ollama 跟 LM Studio。同一批資料換兩個模型問同一題，我覺得是很被低估的用法，答案差很多的時候，就值得回頭看原文。

podcast 你自己設計。 講者可以設 1 到 4 位，聲音跟語音合成（TTS）自己選。官方估算一集 30 分鐘的語音合成費，OpenAI 約 0.45 美元、Google 約 0.12 美元，本機 TTS 不用錢但比較慢。

可以串進流程。 有 REST API，也能接 MCP，介面還有繁體中文。

代價也要講清楚。官方寫明他現在是單人優先（single-user first），只有一組共用密碼，沒設密碼前登入驗證是關掉的，要開給同事用得先處理。引用在 README 對照表自評是基本版，後來有改版補強，完整度目前還是 NotebookLM 比較好。

關鍵差異一張表

關鍵差異一張表
面向NotebookLM（Gemini Notebook）Open Notebook
模型只能用 Gemini18 家以上可換，含本機模型
語音摘要Deep Dive 雙主持人，另有三種格式1 到 4 位講者，TTS 自選
資料放哪Google 雲端你的機器；接雲端 API 時會送到那一家
多人協作可分享筆記本單人優先，一組共用密碼
安裝零安裝Docker，自己設加密金鑰跟密碼

什麼資料可以丟 NotebookLM，什麼不行

這段比選工具更重要。我會建議把資料分三級。

綠燈：公開的東西。 產業報告、競品官網、你發表過的文章、課程講義。這些本來就在網路上，丟 NotebookLM 通常不用想太多。

黃燈：公司內部、但不含個資。 會議紀錄、企劃草稿、自家的銷售數字。官方寫的是內容不會被直接拿去訓練基礎模型，除非你按了回饋；個人帳號一按回饋，那次用到的來源、提問和輸出都會一起送去，可能有人工審閱、最多保留 3 年。公司的 Google Workspace 帳號則寫明不人工審閱、不拿去訓練，按了回饋也一樣。所以黃燈資料用公司帳號，別用個人 Gmail，也別順手按回饋。

紅燈：客戶個資、會員名單、有保密條款的合約、還沒公開的財報。 這類不要上任何你沒簽約的雲端，放 Open Notebook 接本機的 Ollama 比較適合。

這裡有個常見的誤會：自架不等於資料不出門。 Open Notebook 的語言模型、嵌入模型（Embedding）、語音轉文字、語音合成是分開設定的，只要有一個接 OpenAI 這類雲端 API，內容就會送到那一家。官方的全本機教學，嵌入模型用的也是 Ollama 的 nomic-embed-text。本機模型要多少記憶體，我整理在 Ollama 教學；想要有介面、不想打指令，可以看 Ollama vs LM Studio。

該選哪個

主要整理公開資料、想通勤聽 podcast、不想碰任何安裝，用 NotebookLM 免費版就好，額度常常不夠用再考慮 Plus。

手上有紅燈資料、想用不同模型交叉比對、或想把研究串進自動化，選 Open Notebook。他能做什麼看 Open Notebook 開箱，怎麼裝、會卡在哪看 Open Notebook 教學。

還沒碰過 Docker，先別急著自架。安裝本身不難，改一個加密金鑰再啟動就好，難的是之後的備份、更新、密碼都是你的事。值不值得學，我寫在 行銷人該不該學 Docker。

工具選哪個其實是第二個問題。先把資料分好綠黃紅三級，答案通常就出來了，這個判斷 AI 沒辦法替你做。想先用免安裝的工具把整理資料跑順，可以到 AI101 挑幾個直接上手。

覺得有用？分享給需要的人 👇
何佳勳的觀點

我自己這幾年最深的體悟是:會被 AI 取代的是工具操作,留得下來的是判斷力。當定價被壓縮、護城河被打穿,行銷人能賣的只剩判斷,不是會不會用軟體。

何佳勳的觀點

我自己在學 AI 工具的方法，就是先動手做出一個小到不能再小的版本，再回頭優化。我寫教學也照這個邏輯，與其解釋一個技巧，不如用文章本身的形式直接演給讀者看，看到比讀到多十倍說服力。

不想碰伺服器，只想要結果？

這個 GitHub 專案功能完整，但你得自己配 server、串 API 金鑰、扛維運。

如果你現在只是要 AI 幫你寫文案、拆工作流、生行銷內容，免安裝、開箱即用的線上工具會更快上手。

30 秒免費試用 AI101 挑戰平台 →

常見問題

Open Notebook 跟 NotebookLM 差在哪？

NotebookLM（2026 年 7 月起改名 Gemini Notebook）是 Google 的雲端服務，零安裝、引用與語音摘要成熟，但模型只能用 Gemini、資料放在 Google。Open Notebook 是 MIT 授權的開源自架版，可接 18 家以上模型，包含在自己電腦執行的 Ollama 與 LM Studio，podcast 可設 1 到 4 位講者，也有 REST API；代價是需要 Docker、目前是單人優先工具，引用功能在 README 對照表自評為基本版，後來雖有改版補強，完整度目前仍以 NotebookLM 較好。

丟進 NotebookLM 的資料會被拿去訓練 AI 嗎？

官方隱私說明寫明內容不會被直接拿去訓練基礎模型，除非你提供回饋；按讚或倒讚時，那次互動用到的來源檔案、提問與輸出都會一起送出，包含筆記本裡帶進來的 Gemini 對話（即使關閉 Gemini 應用程式活動記錄也一樣），可能由受過專門訓練的團隊人工審閱，審閱過的資料最多保留 3 年。分享給 Gemini App 等其他 Google 服務的資料，依 Google 隱私權政策處理，官方寫明包含用於改善產品。使用 Google Workspace 或 Workspace for Education 帳號時，上傳、提問與回答都不會被人工審閱，即使提供回饋也不會，且不用於訓練。客戶個資與有保密條款的資料，建議改用自架工具搭配本機模型處理。

NotebookLM 免費版有什麼限制？

免費版每人最多 100 本筆記本、每本 50 個來源，單一來源最多 50 萬字或 200 MB。對話與語音摘要從 2026 年 9 月 2 日起改成依運算量計算的額度，提問複雜度、對話長度、來源數量與使用的功能都會影響消耗，每 5 小時重置一次，另有每週上限；升級頁表格仍列著免費版每天 50 次對話、3 次語音摘要，但頁首註明 9 月 2 日起改為新制。台灣的 Google AI Plus 每月 NT$165，提高到 200 本筆記本、每本 100 個來源，額度是免費版的 2 倍；Google AI Pro 每月 NT$650，提高到 500 本筆記本、每本 300 個來源，額度是免費版的 4 倍。公司有符合資格的 Google Workspace 方案，也可能取得較高額度。