Uma ferramenta de inteligência artificial que deve usar tudo
Então, você marcou 50 artigos, 20 tweets, 15 vídeos do YouTube e tem notas espalhadas por três aplicativos diferentes. Mas quando você realmente precisa dessa informação, você não pode encontrá-la. E você definitivamente não pode ver como tudo isso se conecta. Esse é o problema que o Notebook LM resolve. É a melhor ferramenta de aprendizagem que encontrei para realmente entender e reter informações, não apenas coletá-las.
O maior problema com ferramentas de IA como ChachiPT é que eles alucinam. Estão sempre a inventar coisas. O Notebook LM também resolve isso. Tem uma taxa de alucinações extremamente baixa porque só funciona com as suas fontes. Ele também tem uma das características mais virais de qualquer produto de IA onde você pode criar um podcast envolvente de seus notebooks.
Provavelmente já viste isso e isso é fixe. Vamos cobri-lo. Mas há muito mais na plataforma do que isso. Mas vamos começar com o básico. Quando você abrir o Notebook LM pela primeira vez, você pode criar um novo notebook. E isto é tudo sobre o
plano livre. A propósito, há um plano pago, mas é bastante desnecessário para a maioria das pessoas. Embora, ele vem com o plano premium de IA do Google se você já tem isso. Depois de criar um notebook, você pode carregar todos os tipos de fontes, PDFs, arquivos de texto, arquivos de áudio, links para sites, vídeos do YouTube, ou puxar diretamente do Google Drive. Cada fonte pode ser de até 500.000 palavras, e você pode carregar 50 fontes por notebook. Você
pode estar pensando, que é muito mais do que ChateBT ou qualquer outra ferramenta de IA que você está acostumado a lidar. E tens razão, nem sequer está perto. Vou explicar como isso é possível num segundo. Acho muito interessante. Mas aqui, eu carreguei dois PDFs, alguns sites e dois vídeos do YouTube da Saj na Skillap sobre o Notebook LM. Ele é o único que realmente
fez o curso completo de LM Notebook que temos em nossa plataforma de curso em Futuredia. Então, é claro, seus vídeos no YouTube estão cheios de ótimas informações, também. Mas quero mais fontes e não quero continuar à procura delas. Então, também temos este recurso de fontes de descoberta. Basta digitar seu tópico, e ele irá procurar por fontes relevantes. você pode adicionar. Apenas..
olhar e desmarcar qualquer um que você não quer adicionar. Em seguida, clique em importar e esses serão adicionados diretamente às suas fontes. Notebook LM gerou um resumo e um título. Você pode vir aqui para ajustar o título. Então você tem esta interface de chat onde você pode fazer perguntas. Mas o que o torna diferente
é que usa apenas suas fontes para responder e cita exatamente onde encontrou as informações com citações clicáveis que o levam diretamente a essa seção. Isso diminui muito a taxa de alucinações. E então aqui à direita, você pode ver suas informações em diferentes formatos. Uma visão geral de áudio que cria um podcast, uma visão geral de vídeo, um mapa mental, todos os tipos de relatórios, flashcards, um questionário. Todas essas novas maneiras de visualizar e entender melhor suas informações. Então quando
você clica para fora, todos os seus cadernos são salvos aqui. Podes revisitá-los sempre que precisares. Vou mergulhar em cada um desses recursos com dicas sobre como tirar o máximo proveito deles. Mas primeiro, quero explicar como tudo isso realmente funciona e porque pode ser muito melhor do que apenas usar o Chat GBT ou Claude. Eu mencionei que você pode carregar 50 fontes que são cada 500.000 palavras. São 25
milhões de palavras no total. Em Chatbt, você pode carregar cerca de 96.000 palavras. Assim, Notebook LM lida com 260 vezes mais conteúdo. Então, como é que isso é possível? É por causa da diferença entre a base de conhecimento e a janela de contexto. Um contexto
janela é a memória de trabalho real usada para gerar uma resposta. Notebook LM usa Google Gemini 2.5 que tem uma das maiores janelas de contexto disponíveis. 1 milhão de fichas que são cerca de 750.000 palavras. Chat GPTs é apenas 128.000 fichas.
Claude tem 200 mil. Grock é 256.000. Agora os tokens são as entradas que são divididas. A regra geral é que um símbolo é igual a cerca de 75 palavras. Portanto, 1 milhão de fichas são cerca de 750.000 palavras.
Quero colocar estes números em perspectiva usando Harry Potter. Com ChachiBT, as 96 mil palavras são sobre Harry Potter e a Pedra Feiticeira com um pequeno espaço sobrando. Agora, com a janela de contexto de 750.000 palavras do Gemini, são os primeiros cinco livros do Harry Potter. Então para a base de conhecimento do Notebook LM, 25 milhões de palavras, são 23 séries completas de Harry Potter. Todos os sete livros 23 vezes. Então, como podemos saltar de
750.000 palavras de memória de trabalho para 25 milhões de palavras de armazenamento? É aí que entram os RAG. Recuperação de geração aumentada. O Notebook LM não coloca todos os seus documentos na memória de trabalho de uma vez. Em vez disso, pense nisso em duas partes.
A janela de contexto de 1 milhão de tokens é a memória de trabalho. A base de conhecimento de 25 milhões de palavras é a memória de longo prazo armazenada como base de dados vetorial. É muito interessante como eles funcionam, mas é uma tangente para outro vídeo. Eis o que acontece quando se faz uma pergunta. Primeiro passo, você pergunta algo como, “Quais são os principais riscos em meus relatórios financeiros?” Passo dois, Notebook
O LM busca todo o seu índice de documentos pelos blocos de texto mais relevantes para sua pergunta. O terceiro passo é carregar apenas essas seções específicas em sua memória de trabalho, juntamente com sua pergunta e histórico de bate-papo. E passo quatro, Gemini gera sua resposta usando apenas essa informação relevante focada. Existem outras ferramentas de trap por aí, mas Notebook LM é único porque força citações para cada resposta. Você pode clicar no ponto exato no documento fonte. É por isso que tem tão baixo
taxa de alucinações. Não está a inventar coisas ou a tirar da Internet. Está a trabalhar com os seus documentos, a encontrar as passagens certas para responder à sua pergunta. E essa capacidade de 25 milhões de palavras é para cada caderno que você cria. E podes ter 100 cadernos no plano livre. Isso
significa que você pode carregar toda a base de conhecimento da sua empresa, todas as transcrições de reuniões do ano passado, ou todos os seus trabalhos de pesquisa para o seu PhD. Então o notebook LM pode realmente entender e conectar informações em todas elas. Foi uma longa explicação, mas achei que o Rag era muito interessante quando estava a aprender. Mas vamos voltar às coisas práticas, o que você realmente pode fazer com esta informação. Se você estiver usando o Notebook LM para pesquisa ou criação de conteúdo e quiser aprofundar o que é possível, eu sugiro que você confira este guia gratuito fornecido pela HubSpot. Chama-se
o guia de marketing do Google Gemini e Notebook LM. Este é um guia [limpa garganta] realmente prático que mostra como usar Gemini e Notebook LM juntos para agilizar todo o seu fluxo de trabalho de conteúdo. Vai além do básico. Abrange casos reais de uso de marketing, como análise competitiva, resumos de conteúdo de SEO e repurposing de conteúdo em diferentes formatos. Dentro, você encontrará fluxos de trabalho passo a passo com prompts reais que você pode usar, como como transformar um único pedaço de conteúdo em vários formatos usando a análise do Notebook LM, além das capacidades de geração da Gemini.
Há também uma seção inteira sobre recursos avançados do Notebook LM, alguns dos quais estou cobrindo neste vídeo. Mas a minha parte favorita são os cenários de marketing do mundo real. Eles passam por exatamente como usar essas ferramentas para coisas como criar calendários de conteúdo, analisar o feedback do cliente e até mesmo gerar mensagens de mídia social. É super acionável, e novamente, completamente livre para baixar usando o link na descrição. Então, obrigado à HubSpot por patrocinar este vídeo e fornecer recursos valiosos como este. Ligado
esta página principal, tenho todos os meus cadernos. Você pode mudar para uma visão de lista também, apenas o que você preferir. Em seguida, clique aqui para criar um novo caderno. Agora eu quero ir mais fundo em como Rag realmente funciona. Tenho dois PDFs de artigos de pesquisa sobre o Rag. Basta arrastar
os que estão dentro. Então eu também tenho dois vídeos do YouTube sobre o tema. Tudo que você tem que fazer é colar no URL e ele vai obter a transcrição inteira a partir desse vídeo. Também encontrei um monte de bons artigos. Então eu apenas colar cada um desses dentro Podes
carregar múltiplos de uma vez. Basta adicionar um espaço entre cada um deles. E isso já é uma boa quantidade, mas eu vou clicar em descobrir fontes para obter mais. Vou digitar a geração aumentada de recuperação e enviar. Só quero verificar de onde cada um destes vem. Não quero a Wikipédia. I
vai saltar o Reddit. Isto não é relevante para o que quero perguntar. E o resto parece que são trabalhos de pesquisa. Então, vou deixar tudo isso dentro. Mas agora, eu já tenho este resumo aqui no meio. E eu posso
fazer minhas próprias perguntas ou usar suas perguntas sugeridas, que são realmente muito bons na maior parte do tempo. Então, vou clicar neste. Quais são os principais benefícios e potenciais inconvenientes de usar Rag com LLMs? Agora, tenho a minha resposta totalmente informada. Rag impede os LLMs de gerar respostas factualmente incorretas ou tendenciosas conhecidas como alucinação, garantindo que a saída seja fundamentada em dados factuais recuperados e evidências de fontes externas. E eu posso pairar
a citação para ler aqui ou clicar para vê-la em contexto. E podes continuar a conversar aqui. Mas há uma coisa muito importante. Ele não salva seu histórico de chat por padrão. Se te fores embora, desaparece.
Mas se você gosta de uma resposta, você precisa clicar em salvar para anotar para mantê-lo. Pode ver que o salvou aqui. E se você chegou a uma resposta muito completa em seu chat, você pode até mesmo converter essa nota salva para uma fonte em si. Outra grande característica aqui é que você pode facilmente verificar e desmarcar fontes. Isso permite que você se concentre em uma fonte específica ou em algumas fontes com um ângulo particular. É..
realmente útil para comparar perspectivas ou perfuração em documentos específicos. Mas digamos que eu quero entender especificamente bases de dados vetoriais. Tenho tudo descontrolado, excepto algumas fontes que se concentram nesse tópico. Agora posso perguntar, como funcionam os bancos de dados vetoriais? e resumir isso em uma frase.
Armazéns de dados especializados projetados para indexar e recuperar eficientemente incorporações vetoriais, representações numéricas de dados semânticos. Estou a receber uma resposta concentrada destes documentos. Depois, posso voltar a ligar tudo assim que estiver pronto para ver o quadro completo outra vez. E uma última nota aqui é que você pode vir até essas configurações e definir o seu estilo de conversação e o comprimento de resposta. Se eu clicar no estilo personalizado, eu tenho o exemplo de responder em um nível de PhD estudante. Se és novo num tópico,
você poderia dizer algo como, “A um nível iniciante.” Eles também sugeriram, “Pretendo ser um apresentador de jogos de role-playing.” Ou, “Ajuda-me a preparar-me para a próxima reunião do conselho.” Ou talvez estejas a usá-lo como guia de fitness e rastreador de exercícios. Podias dar-lhe os teus objectivos para correr uma maratona sub de três horas ou ser destruído.
Talvez estejas a carregar documentos legais e queiras dizer, “Ajuda-me a evitar a prisão por este crime.” Há muitas maneiras de personalizar isto. Vou deixá-lo no padrão por agora. E eles também têm comprimentos de resposta mais longos ou mais curtos. Assim, esta personalização pode ser realmente útil para casos de uso específicos. E uma nota lateral, Notebook LM
também não treina nas suas conversas, e isso é óptimo para a privacidade. Então isso já é um grande passo em relação aos modelos de chat tradicionais para muitas aplicações. Notebook LM não é para tudo, mas é muito melhor para coisas particulares como pesquisa, aprendizagem e síntese de conhecimento. Há outras maneiras criativas e negligenciadas de usá-la. Também mencionarei um pouco mais tarde. Até agora, nós cobrimos como você pode questionar e organizar informações, mas a seção de estúdio à direita é onde as coisas ficam realmente interessantes. É aqui que podes mergulhar
usando diferentes formatos para entender mais profundamente e reter mais profundamente o conhecimento. Vamos começar com o recurso extremamente viral, a visão geral do áudio. Isso transforma todo o seu conhecimento em um podcast de som realista com dois anfitriões de IA. Estou a gerar um e volto quando acabar. Muito bem, deixa-me jogar um pouco disto.
Bem-vindo de volta ao mergulho profundo. Hoje estamos a investigar a geração de recuperação aumentada. Provavelmente conhece-lo como RAG. >> Sim. Acho que há um grande exemplo das fontes que olhamos, certo, sobre o espaço. Se perguntares algo muito simples
pergunta como qual planeta tem mais luas? >> Ah, sim, uma base clássica LLM que treinou há uns anos. Utiliza apenas os seus dados de formação interna. >> Então lembre-se o que aprendeu naquela época. >> Exactamente. Provavelmente diria que sim
confiantemente Júpiter com 88 luas >> porque bem, essa foi a resposta certa quando foi treinado. >> Mas agora está errado. Agora está completamente errado. E não te diria porque pensa isso. Nenhuma fonte, apenas uma afirmação.
Está bem. Então agora faça essa mesma pergunta para um sistema de trapos. O que acontece de diferente? >> Grande diferença. O sistema de trapos leva a sua pergunta, mas primeiro ele sai e procura as coisas. Recupera fresco
informações de uma fonte externa, talvez como uma base de dados da NASA ou algo parecido. >> Então ele encontra a contagem atual, >> certo? Encontra os últimos dados Saturno atualmente em 146 luas embora esse número continue mudando. Então é preciso que o contexto recuperado esse fato e dá-lo para o LLM juntamente com sua pergunta original. >> Ah, então força a LLM a usar as novas informações >> precisamente. Fundamenta a resposta em
dados externos verificáveis atualizados. >> Então eu pulei um pouco da introdução lá. Eles sempre levam uma eternidade para chegar ao ponto e há um monte de fluff que é típico de LLMs e podcasts. Então, acho que apanharam o clima. Assim que ultrapassares isso, é incrível. Ainda estou arruinado
longe por este recurso, mesmo que tenha sido apagado há muito tempo. Especialmente se você já leu um pouco disso e obteve um entendimento decente, isso realmente reforçará essa aprendizagem e eles usarão um monte de exemplos e analogias ao longo do podcast. Assim, você obtê-lo em um formato e perspectiva totalmente diferente. E se sentires que há muita algazarra ou que estão a ir muito fundo ou não o suficiente, há uma maneira de ajudar com isto. Antes de gerar, você pode clicar neste botão de edição e eles têm algumas opções de personalização. Há um mergulho profundo, um breve,
crítica, debate. Então você também pode personalizá-lo totalmente, dizendo-lhes especificamente no que focar no episódio. Então, eu definitivamente recomendo fazer isso em praticamente toda vez que você gera um destes. A outra opção aqui para personalização é este modo interativo. Isto permite-te juntar à conversa. Então, eu vou clicar interativo
modo, em seguida, obtê-lo tocando aqui, e então eu vou pular dentro. >> Bem-vindo de volta ao mergulho profundo. Hoje, estamos a investigar a recuperação de um general aumentado. Espera. Alguém quer entrar. Vai
por isso. Você pode explicar como as bases de dados vetoriais funcionam em termos simples? >> É uma óptima pergunta. Esse é o componente central do Rag >> e nós absolutamente podemos quebrar isso simplesmente. >> Vamos desempacotar isto.
Pense em um banco de dados vetorial menos como um banco de dados tradicional. >> Com linhas e colunas. >> Exactamente. Em vez disso, pense nisso como um livro de endereços realmente especializado para idéias. >> Um livro de endereços para significado.
Precisamente. Primeiro, pegamos todos os documentos da sua empresa, certo? >> Todos os PDFs, manuais, etc. >> E nós os cortamos em seções menores ou pedaços. Essa é a parte a que chamávamos “pescamento”.
Então um modelo especial de IA pega cada bloco >> e o transforma em uma longa lista de números. >> Essa lista de números é o vetor incorporado. >> É uma representação numérica do significado desse texto. >> O trabalho do banco de dados vetorial é armazenar esses vetores de forma eficiente. >> Assim, todas as ideias semelhantes são agrupadas.
Sim. Se duas ideias são semânticamente semelhantes, seus vetores são matematicamente próximos neste espaço de alta dimensão. >> Então quando você faz uma pergunta, >> sua pergunta também é transformada em um vetor, seu vetor de consulta. >> Está bem. O banco de dados então usa algoritmos especiais como vizinhos aproximados mais próximos >> an&m o método de busca eficiente >> para encontrar rapidamente os vetores que estão mais próximos de seu vetor de perguntas >> significando que ele encontra os pedaços de texto cujo significado semelhante à sua consulta >> e faz isso incrivelmente rápido mesmo com bilhões de documentos.
É por isso que chamamos de pesquisa semântica. >> Ele está procurando por significado não apenas palavras-chave >> e o banco de dados vetorial é o motor que permite isso. >> É o motor, mas também é a camada operacional. Assim, como você pode ver, você pode guiar completamente a conversa pulando dentro. E você pode continuar pulando assim e guiá-lo em direções diferentes como você vai. É..
muito incrível como ele pode apenas tomar uma volta como essa e ainda responder de uma forma realmente natural soando. Isto, honestamente, surpreende-me. Mas a seguir, depois da visão geral do áudio é uma visão geral do vídeo. Novamente, você pode personalizar isso se quiser. Vou gerá-lo como está. Vou voltar para aquele desde que
demora algum tempo. Vamos passar ao mapa da mente. Isso pode ser realmente útil para visualizar como certos conceitos se conectam. Então divide isso em algumas opções diferentes. Vejamos os componentes centrais como a recuperação, a geração e a base de conhecimento. Então..
podes mergulhar mais fundo onde quiseres. Então podemos fechar esse e dar uma olhada nos benefícios. Maior precisão e confiabilidade. Reduz a alucinação. Usa informações atualizadas. Gerar diversidade específica
linguagem factual. Há muitas maneiras de explorar aqui. Isso é especialmente útil para entender as relações entre diferentes componentes ou para apenas obter uma visão de olhos de pássaro de tópicos complexos. Isso será mais ou menos útil dependendo do tópico em que você está olhando. O próximo é o relatório. Por baixo disso você tem um
briefing doc, um guia de estudo, um post no blog, ou você pode criar o seu próprio. Crie um relatório do seu jeito especificando estrutura, estilo, tom e muito mais. Ele até gera alguns exemplos de ideias de relatórios personalizados com base em suas fontes. E estas sugestões são geralmente bastante sólidas. Faça um relatório técnico se quisermos ir muito fundo. Um artigo explicativo
apenas aprender os fundamentos. Visão geral do conceito. Vou fazer isso só para teres uma ideia do que isto faz. Um guia de estudo é aquele que é realmente útil muitas vezes. Então, eu tenho um de seus padrões e um personalizado gerando. O guia do estudo foi feito
primeiro, vamos ver isso. Temos um questionário com perguntas de resposta curta, algumas perguntas de redação, em seguida, a chave de resposta abaixo disso. Então, mais abaixo, temos um brilho de termos-chave. E tudo isto parece muito completo. Este é um recurso de aprendizagem incrível. E aqui
temos o relatório. Este é um relatório muito aprofundado baseado nas 17 fontes que enviámos. Então você pode ver que há toneladas de maneiras diferentes que você poderia usar estes relatórios. A seguir temos cartões. Quero dizer, isso é bastante auto-explicativo, mas vamos gerar alguns para que você possa ver como eles se parecem. O que é a recuperação aumentada
geração? E você pode clicar aqui para ver a resposta. Tem uma definição muito curta. Então você pode clicar em explicar aqui se você precisa entendê-lo mais. Leva-te para a conversa. E de volta a estes
cartões flash. Temos aqui 67 cartões flash. Então, isso é super super útil se você está estudando para algo ou se você só quer manter a informação sobre algo que você está aprendendo. E aqui em baixo, também temos um teste. Outro que é auto-explicativo. Eu vou em frente
gerar isso para que você possa vê-lo. E como acima, você também pode personalizar os flashcards e quiz se você quiser. Temos aqui um questionário de 12 perguntas. É uma escolha múltipla. Se você estiver preso, você pode clicar na dica aqui embaixo.
Parece uma pergunta bem elaborada aqui, e dá-lhe um feedback imediato. Vamos tentar errar um. Pronto. Por isso diz que não e depois mostra-lhe a resposta certa. E, novamente, aparece com explicação quando você recebe uma resposta errada aqui em baixo. Agora, de volta ao principal
página do estúdio aqui. A visão geral do vídeo está feita. Vamos ver isto. >> Muito bem, vamos falar de uma das maiores coisas a acontecer na IA. Recuperação de geração aumentada, ou como todos chamam, RAG. Pode ser gentil
de pensar nisso como o molho secreto que está fazendo AI não apenas inteligente, mas realmente preciso e muito mais útil. Modelos de linguagem grandes, LLMs, são incríveis. Eles podem escrever código. Eles podem criar um poema, explicar a física quântica. É incrível.
Mas >> tudo bem, então você pode ver que tem uma voz agradável explicando todos esses slides. Não te vou obrigar a ver isto tudo. Vamos saltar para a frente e ver alguns slides. Parece que está a usar o mesmo tipo de informação do podcast aqui. Então ele tem alguns slides realmente bonitos. É basicamente como um automatizado
versão do PowerPoint que automaticamente gera a apresentação falando junto com ele, também. >> Primeiro, indexação. Você pega todos os seus documentos, os separa em pedaços menores e os organiza em uma biblioteca pesquisável especial. >> Então, isso não vai ganhar nenhum prêmio de design, mas para conteúdo educacional gerado automaticamente, isso é bastante sólido. Mas esta é a característica nesta seção que eu uso menos. Está tudo bem
pode fazê-lo, mas é uma maneira muito lenta e chata de absorver a informação para mim. Mas, na verdade, é a combinação de todas essas coisas que tornam o Notebook LM tão poderoso para aprender. Ver o seu conhecimento em todas estas diferentes formas é extremamente valioso para a retenção e compreensão mais profunda. Você pode fazer todas as suas perguntas em bate-papo, gerar um mapa mental para visualizar relacionamentos, estudar com flashcards, ouvir um podcast em uma unidade, até mesmo ligar para esse podcast para fazer perguntas, em seguida, questione-se quando chegar em casa. Esta é, honestamente, uma das principais ferramentas de IA que recomendo para quase todos, porque muda fundamentalmente como você aprende e retém informações. Agora, eu vou depressa
as características profissionais para quem está curioso sobre o próximo nível. Se você se lembrar, a versão gratuita já lhe dá 50 fontes por notebook. O caderno pago assinatura LM Plus aumenta isso para 300 fontes. Isso dá-lhe a enorme capacidade de 150 milhões de palavras que mencionei anteriormente. Mas agora, uma dica profissional que você pode usar se você atingir o limite de fonte de 50, mas não tiver esgotado o limite de 500.000 palavras em cada arquivo, basta combinar vários documentos em um único arquivo fonte. Muitas vezes você pode
mesclar 10 ou mais fontes curtas em um arquivo e ainda não atingiu o limite de contagem de palavras. Ao fazer isso, eu pessoalmente nunca tive um caso de uso onde a capacidade livre não era suficiente. No Pro, você também recebe grandes aumentos para seus limites diários, como cinco vezes mais visualizações de áudio, visão geral de vídeo, relatórios, questionários e flashcards. Eu nunca atingi esses limites, por isso, são para usuários pesados. Há também alguns recursos avançados para compartilhar e trabalhar em equipe. Para compartilhamento avançado, você pode
dar a outras pessoas acesso a um notebook inteiro ou configurá-lo para chat apenas acesso para que possam consultar seus documentos sem editar nada. Tipo como você compartilha Google Docs. Em seguida, para análise de notebooks, você pode visualizar dados sobre quantos usuários acessaram seu notebook por dia e quantas consultas eles fizeram. Isso é ótimo se você estiver usando para dar uma aula ou gerenciar uma pequena equipe de projeto. Assim, enquanto esses recursos profissionais estão disponíveis e eles são automaticamente incluídos se você assinar os planos maiores do Google AI Pro ou Google AI Ultra, realisticamente a maioria dos usuários individuais não precisará deles. Na verdade, tenho um pago
Google AI plano para ferramentas como V3 e Gemini Pro, mas eu nem estava pensando sobre isso quando eu me inscrevi e eu usei um e-mail diferente do que eu já estava usando para Notebook LM. Mas, honestamente, nem sequer me preocupei em trocá-lo porque não precisava de nenhuma dessas funcionalidades pagas. É por isso que digo para a maioria das pessoas que o plano livre é mais do que suficiente. E finalmente, quero apenas mencionar que há muito mais casos de uso para o Notebook LM do que apenas aprender e pesquisar. Para o trabalho, que poderia ser upload de todas as suas transcrições de reunião, todos os seus SOPs ou pesquisa concorrente. Ou
Tenho um caderno com todos os meus scripts anteriores do YouTube. Eu compilei todos eles em um PDF gigante para que eu possa voltar e procurar por coisas que eu já falei antes ou, você sabe, que patrocinador estava em um vídeo específico. Isso tem sido muito útil para mim. Outras coisas específicas do YouTube, Eu tenho um banco de dados de formatos de título com frameworks e modelos. Eu posso usar coisa do tipo semelhante para ganchos para formulário curto ou intros. Alguns
outras ideias como para uso pessoal, se você jornal, você pode carregar todos os seus diários e obter insights sobre eles. Ou você pode carregar todas as suas receitas e obter combinações únicas deles ou para plano de refeição com base em seus favoritos. Ou outra legal é ter como uma pasta de proprietários ou uma pasta de suporte técnico onde você envia todos os seus manuais de produto para sua tecnologia, sua máquina de lavar louça, máquina de lavar roupa, liquidificador, coisas assim. Então você pode perguntar em
Watch on YouTube
Keyword: new AI tools