Un développeur opérant sous le pseudonyme hashfunction a téléchargé les métadonnées d'environ 5,6 milliards de vidéos TikTok publiques sur le dépôt open source d'IA Hugging Face, où elles sont en libre téléchargement sous une licence non commerciale. Le jeu de données, publié sous le compte datasocial, couvre la période de juillet 2014 à octobre 2026.

La publication contient des métadonnées et non des vidéos. Chaque ligne comprend la légende de la vidéo, les hashtags, l'identifiant du son, le texte à l'écran, les identifiants produit et vendeur de TikTok Shop, ainsi que les compteurs de vues, de likes, de commentaires, de partages, d'enregistrements et de téléchargements. L'ensemble de l'archive pèse 460 Go, stockés sous forme de fichiers Parquet organisés à raison d'un par mois. Cet encombrement est modeste pour un corpus de cette ampleur — une conséquence du fait qu'il s'agit de métadonnées plutôt que de vidéos — et la structure d'un fichier par mois se prête bien aux analyses temporelles.

Certains champs reflètent les propres étiquettes de TikTok, comme l'indication de savoir si une vidéo est signalée comme générée par IA et si la plateforme la tient à l'écart de la page « Pour toi ». Le drapeau IA est souvent vide pour les entrées plus anciennes, qui proviennent d'une archive — un manque qui limite toute analyse s'appuyant sur cette étiquette pour les années antérieures.

Le jeu de données n'est pas soumis à contrôle d'accès, ce qui signifie que n'importe qui peut le récupérer, sans candidature, approbation ni rattachement institutionnel. Le compteur de Hugging Face affichait 1 181 téléchargements à ce jour. Il est également disponible en ligne via datasocial.ai.

Cette publication a de l'importance parce que les développeurs d'IA recherchent ce de données et que TikTok les rend difficiles à obtenir. Les légendes, hashtags, identifiants de sons et compteurs d'engagement de milliards de publications sont la matière première de modèles qui prédisent ce qui devient viral ou ce qui se vend sur TikTok Shop, quels mots et expressions fonctionnent ou non, ainsi que pour des modèles de langage apprenant comment les gens écrivent dans la vidéo courte.

La voie officielle de TikTok pour accéder à ces données est bien plus étroite. Ses Research Tools sont ouverts aux chercheurs qualifiés d'établissements universitaires dans des régions comprenant les États-Unis, l'EEE, le Royaume-Uni, le Canada et la Suisse, ainsi qu'à certains organismes à but non lucratif de l'UE, et exigent une candidature et une approbation — des critères d'éligibilité qui laissent les développeurs d'IA commerciaux sans voie officielle vers des données comparables.

Le scraping massif de données n'est pas autorisé par la plateforme. L'article 3.4 des conditions d'utilisation américaines de TikTok interdit d'extraire des données de la plateforme à l'aide de logiciels automatisés, sauf approbation écrite de TikTok.

Selon le compte rendu de DataSocial, la collecte a accédé à l'API mobile privée de TikTok en utilisant des identités d'appareils générées qui se faisaient passer pour des téléphones Android, des signatures de requêtes obtenues par rétro-ingénierie et une poignée de main TLS falsifiée. Le compte rendu indique que le système a collecté 3,23 milliards de profils de créateurs, 5,94 milliards de vidéos et 2,8 milliards de commentaires en trois semaines, sans connexion ni compte impliqués.

L'offre gratuite fait office de vitrine commerciale. La licence est CC BY-NC 4.0, qui autorise le partage et l'adaptation des données avec attribution tant que l'usage reste non commercial, et la fiche du jeu de données le décrit comme gratuit pour un usage de recherche et personnel. Une licence de ce type régit la manière dont les fichiers peuvent être réutilisés ; elle est distincte des conditions d'utilisation de TikTok, qui régissent la manière dont les données ont été collectées. L'usage commercial, les profils de créateurs et les mises à jour quotidiennes sont redirigés vers datasocial.ai, qui vend également le code source du scraper pour 1 699 $.

Les litiges liés au scraping se jouent déjà devant les tribunaux. Reddit a poursuivi Perplexity et trois sociétés de scraping de données en octobre 2025, alléguant un dispositif à « échelle industrielle » visant à récolter son contenu pour l'entraînement de l'IA, comme l'a rapporté Decrypt. En juillet, un juge fédéral a majoritairement refusé de rejeter l'affaire, selon Law360. Les chefs d'accusation restants incluent des allégations DMCA selon lesquelles SerpApi aurait contourné les protections anti-robots de Google. TikTok n'est pas partie à l'affaire, et celle-ci concerne le scraping via les résultats de recherche Google plutôt qu'une API mobile privée, ce qui signifie que son issue ne tranchera pas directement le statut juridique de cette collecte.

Quant au jeu de données lui-même, les lignes comprennent les légendes, la musique utilisée et divers champs d'étiquetage. Il n'y a pas de colonne pour les pseudonymes de créateurs, mais les données contiennent les légendes, les hashtags et les personnes mentionnées dans les vidéos. L'identifiant utilisateur est toutefois disponible via Datasocial.

Ce trésor de données a déjà des équivalents. Des d'un autre ensemble de 4,5 milliards de vidéos, également décrit comme collecté depuis l'API mobile de TikTok, figurent également sur Hugging Face, en libre accès pour un usage non commercial. Le code qui a permis de le collecter coûte 1 699 $.