Sada 4,5 miliardy záznamů o videích z TikToku vznikla sběrem proti jeho podmínkám

Na Hugging Face přibyla 2. září 2026 datová sada kuben-developer/tiktok-videos-4b. Je v ní 27 souborů ve formátu Parquet, dohromady 289 467 098 101 bajtů, tedy 289,5 GB. Řádků je 4 501 811 789 a každý popisuje jeden příspěvek z TikToku. Obojí jsem si ověřil v rozhraní, kterým Hugging Face měří velikost sad, ne jen z popisu; čísla sedí s tím, co uvádí autor.

Videa v ní nejsou

Sada má šestnáct sloupců a žádný z nich není obraz. Vede číslo příspěvku, čas vydání, popisek tak, jak ho napsal tvůrce, délku ve vteřinách, identifikátor a název použitého zvuku, počty přehrání, lajků, komentářů, sdílení a uložení, dvoupísmenný kód země, kód jazyka a příznak, jestli je příspěvek označený jako reklama. Když se čtenář na kartě sady 4. září ptal, jestli jsou uvnitř i samotné soubory MP4, autor odpověděl, že ne a že jde jen o metadata.

Chybí i dvě další věci, a u obou autor píše proč. Jméno tvůrce, jeho číslo ani profil v sadě nejsou, což označuje za záměr; seskupit příspěvky jde tedy podle zvuku, zmínek nebo textu popisku, ne podle toho, kdo je vydal. Adresy na média nejsou také, protože odkazy do sítě TikToku nesou podepsanou dobu platnosti a přestanou fungovat během dní.

Sběr přes rozhraní mobilní aplikace

Data podle karty nevznikla stahováním webu ani prohlížečem bez okna, ale dotazy do neveřejného rozhraní HTTP, které používá aplikace TikToku pro Android. Autor uvádí, že v celém postupu není přihlášení, účet ani cookie, takže se do sady nedostal obsah zamčený za účtem. Sbíralo se zhruba tři týdny.

Vydaná sada přitom není všechno, co se sebralo. Je to 27 z 32 oddílů rozdělených podle otisku identifikátoru tvůrce, tedy náhodný podvzorek, ne výběr podle nějakého klíče. A ani ten základ není celý TikTok, na což autor sám upozorňuje.

Podmínky sítě takový sběr zakazují

Evropské podmínky užití TikToku naposledy upravené v červenci 2026 zakazují uživateli „extract any data or content from the Platform using any automated system or software that is not provided by TikTok or approved in writing by TikTok“, tedy získávat z platformy data automatizovaným systémem nebo programem, který TikTok neposkytl ani písemně neschválil (překlad náš). Americká verze je adresnější a jmenuje sklízení, procházení i vývoz „in any form, for any purpose“.

Autor to nezastírá. V kartě stojí věta, že sběr byl v rozporu s podmínkami služby, a hned za ní, že sada není nijak spojená s TikTokem ani s ByteDance. Co z toho plyne pro toho, kdo si ji stáhne, karta neřeší.

Licence je jedna věta

V hlavičce karty je pole license: other a k němu jméno research-use. Odkaz na text licence je prázdný a soubor s podmínkami v repozitáři není; jediné, co se o dovoleném užití dá dočíst, je věta „Released for research and educational use“. Kdo si sadu stáhne, tedy nemá text, ze kterého by poznal, jestli smí například publikovat odvozenou tabulku nebo natrénovaný model. Na Hugging Face to není ojedinělé: u trénovacího korpusu The Stack v3 se licenci nepodařilo dohledat u 95 % souborů.

Osobní údaje pojmenoval autor sám

Popisky napsali lidé, a proto je podle karty celá sada osobním údajem podle obecného nařízení o ochraně osobních údajů, jeho britské obdoby i kalifornského zákona CCPA – bez ohledu na to, že šlo o veřejně vydané příspěvky. Autor píše, že ta povinnost přechází na toho, kdo si data stáhne, a zakazuje používat je k identifikaci, profilování, cílení nebo kontaktování jednotlivců. Komu se sada týká, může požádat o odstranění svých řádků v diskusi u repozitáře.

Jedno hlášení tam už je. Třetího září v 17.26 založil neuvedený uživatel vlákno označené jako porušení autorských práv; jeho text je skrytý a vlákno je během pěti minut zavřené, znovu otevřené a zase zavřené. Jak dopadlo, z karty poznat nejde. Sada je na Hugging Face dál a k 6. září má 98 lajků a 4 818 stažení za posledních třicet dní.

K čemu se čísla nehodí

Nejcennější věta celé karty je varování proti nejnasnadnější analýze. Počty přehrání a lajků jsou snímek ze chvíle, kdy se řádek sbíral, a ta chvíle padla někam do třítýdenního okna. Příspěvek zachycený první den měl na sbírání publika o devatenáct dní méně než ten z posledního, takže porovnávat holá čísla u různě starých videí nedává smysl. Kód země a jazyka navíc přiřazuje TikTok sám a podle autora se mýlí dost často na to, aby se nedaly brát jako fakt. Řádky jsou uložené po tvůrcích, ne zamíchané, takže kdo z nich chce trénovat, musí je promíchat sám.

Zdroje: karta sady kuben-developer/tiktok-videos-4b na Hugging Face, měření její velikosti rozhraním Hugging Face, podmínky užití TikToku pro EHP, Švýcarsko a Spojené království a podmínky užití pro Spojené státy.