NotebookLM API × Gemini API — 研究・分析ワークフローをPythonで自動化する

# ライブラリのインストール
# pip install google-genai google-cloud-notebooklm
 
import os
from google import genai
from google.cloud import notebooklm_v1
 
# Gemini API クライアントの初期化
gemini_client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
 
# NotebookLM Enterprise API クライアントの初期化
notebooklm_client = notebooklm_v1.NotebookServiceClient()
 
print("✅ クライアント初期化完了")
# 期待する出力: ✅ クライアント初期化完了

from google.genai.types import Tool, GoogleSearch
 
# Google Search Grounding を使ってテーマに関する最新情報を収集
search_tool = Tool(google_search=GoogleSearch())
 
response = gemini_client.models.generate_content(
    model="gemini-2.5-pro",
    contents=(
        "量子コンピュータの誤り訂正に関する2026年の最新論文を5件リストアップしてください。"
        "各論文について、タイトル・著者・URL・概要（3行以内）を記載してください。"
    ),
    config={
        "tools": [search_tool],
        "temperature": 0.2,  # 正確性重視で低めに設定
    },
)
 
print(response.text)
# 期待する出力:
# 1. "Scalable Quantum Error Correction with ..." — Authors: ...
#    URL: https://arxiv.org/abs/...
#    概要: ...
# （以下5件分のリスト）

# プロジェクト設定
PROJECT_ID = "your-gcp-project-id"
LOCATION = "us"  # NotebookLM Enterprise API の利用リージョン
PARENT = f"projects/{PROJECT_ID}/locations/{LOCATION}"
 
# 新しいノートブックの作成
notebook = notebooklm_client.create_notebook(
    parent=PARENT,
    notebook=notebooklm_v1.Notebook(
        display_name="量子誤り訂正 研究レビュー 2026-03",
    ),
)
print(f"✅ ノートブック作成: {notebook.name}")
# 期待する出力: ✅ ノートブック作成: projects/.../notebooks/xxxxx
 
# Web ソースの追加（ステップ1で見つけたURLを追加）
urls = [
    "https://arxiv.org/abs/2026.xxxxx",
    "https://arxiv.org/abs/2026.yyyyy",
]
 
for url in urls:
    source = notebooklm_client.create_source(
        parent=notebook.name,
        source=notebooklm_v1.Source(
            display_name=url.split("/")[-1],
            web_uri=notebooklm_v1.WebUri(uri=url),
        ),
    )
    print(f"  ソース追加: {source.display_name}")
# 期待する出力:
#   ソース追加: 2026.xxxxx
#   ソース追加: 2026.yyyyy

# ノートブック内のソース一覧を取得
sources = notebooklm_client.list_sources(parent=notebook.name)
source_contents = []
 
for source in sources:
    # 各ソースの情報を取得
    source_contents.append(f"Source: {source.display_name}")
 
# Gemini API で横断的な分析を実行
analysis_prompt = f"""
以下のソースを分析し、研究レビューレポートを作成してください。
 
ソース一覧:
{chr(10).join(source_contents)}
 
レポートに含める項目:
1. 研究テーマの全体的な動向（300文字）
2. 主要な発見・ブレイクスルー（箇条書き5つ）
3. 今後の課題と展望（200文字）
4. 実務への応用可能性（200文字）
"""
 
report = gemini_client.models.generate_content(
    model="gemini-2.5-pro",
    contents=analysis_prompt,
    config={
        "temperature": 0.3,
        "max_output_tokens": 4096,
    },
)
 
print(report.text)
# 期待する出力: 構造化された研究レビューレポート

import time
 
# ポッドキャスト（Audio Overview）の生成リクエスト
operation = notebooklm_client.generate_podcast(
    name=notebook.name,
)
 
# 非同期処理の完了を待機
while not operation.done():
    print("⏳ ポッドキャスト生成中...")
    time.sleep(10)
    operation = notebooklm_client.get_operation(name=operation.name)
 
result = operation.result()
print(f"✅ ポッドキャスト生成完了")
print(f"  音声URL: {result.audio_uri}")
# 期待する出力:
# ✅ ポッドキャスト生成完了
#   音声URL: https://storage.googleapis.com/...

import asyncio
 
async def research_automation_pipeline(theme: str) -> dict:
    """研究テーマを入力すると、ノートブック作成→分析→ポッドキャスト生成を自動実行する"""
 
    print(f"🔬 テーマ: {theme}")
 
    # Step 1: Gemini で最新論文を検索
    print("📡 Step 1: 論文を検索中...")
    search_results = await search_papers(theme)
 
    # Step 2: NotebookLM にノートブック作成 & ソース追加
    print("📚 Step 2: ノートブックにソースを追加中...")
    notebook_id = await create_and_populate_notebook(theme, search_results)
 
    # Step 3: Gemini で分析レポート生成
    print("📊 Step 3: 分析レポートを生成中...")
    report = await generate_analysis_report(notebook_id)
 
    # Step 4: ポッドキャスト生成
    print("🎙️ Step 4: ポッドキャストを生成中...")
    podcast_url = await generate_podcast(notebook_id)
 
    return {
        "notebook_id": notebook_id,
        "report": report,
        "podcast_url": podcast_url,
    }
 
# 実行例
# result = asyncio.run(research_automation_pipeline("量子コンピュータ 誤り訂正 2026"))