Uno sviluppatore attivo con l'handle hashfunction ha caricato su Hugging Face, repository open source dedicato all'IA, i metadati di circa 5,6 miliardi di video TikTok pubblici, disponibili per il download gratuito con una licenza non commerciale. Il dataset, pubblicato con l'account datasocial, copre il periodo da luglio 2014 a ottobre 2026.

La pubblicazione contiene metadati e non riprese video. Ogni riga include la didascalia del video, gli hashtag, l'ID audio, il testo a schermo, gli ID di prodotti e venditori di TikTok Shop e i contatori di visualizzazioni, like, commenti, condivisioni, salvataggi e download. L'intero archivio pesa 460 GB, archiviato in file Parquet organizzati uno per mese. È un ingombro contenuto per un corpus di questa scala — una conseguenza della presenza di metadati anziché video — e la struttura di un file al mese si presta ad analisi basate sul tempo.

Alcuni campi riflettono le etichette di TikTok stessa, ad esempio se un video è contrassegnato come generato dall'IA e se la piattaforma lo tiene fuori dalla pagina For You. Il flag IA è spesso vuoto per le voci più datate, provenienti da un archivio — una lacuna che limita eventuali analisi basate su tale etichetta per gli anni precedenti.

Il dataset non è soggetto a restrizioni di accesso, quindi chiunque può scaricarlo, senza necessità di domanda, approvazione o affiliazione istituzionale. Il contatore di Hugging Face indica finora 1.181 download. I dati sono disponibili anche online tramite datasocial.ai.

La pubblicazione è rilevante perché gli sviluppatori di IA desiderano questo tipo di dati, e TikTok li ha resi difficili da ottenere. Didascalie, hashtag, ID audio e contatori di interazioni su miliardi di post sono materiale gre per modelli che prevedono cosa diventa virale o cosa si vende su TikTok Shop, quali parole e frasi funzionano e quali no, e per modelli linguistici che imparano come le persone scrivono nei video in formato breve.

La via ufficiale di TikTok a questi dati è molto più ristretta. I suoi Research Tools sono aperti ai ricercatori qualificati di istituzioni accademiche di regioni tra cui Stati Uniti, SEE, Regno Unito, Canada e Svizzera, oltre ad alcuni enti senza scopo di lucro dell'UE, e richiedono una domanda e un'approvazione — criteri di ammissibilità che lasciano gli sviluppatori di IA commerciali senza un percorso ufficiale per accedere a dati comparabili.

Lo scraping su larga scala non è consentito dalla piattaforma. La sezione 3.4 dei termini di servizio statunitensi di TikTok vieta di estrarre dati dalla piattaforma con software automatizzati, salvo approvazione scritta di TikTok.

Secondo il rapporto di DataSocial, la raccolta è avvenuta accedendo all'API mobile privata di TikTok con identità di dispositivi generate che risultavano telefoni Android, firme di richieste ricostruite mediante reverse engineering e un handshake TLS contraffatto. Il rapporto afferma che il sistema ha raccolto 3,23 miliardi di profili di creator, 5,94 miliardi di video e 2,8 miliardi di commenti in tre settimane, e che non sono stati coinvolti login o account.

Il livello gratuito funziona anche da vetrina commerciale. La licenza è CC BY-NC 4.0, che consente di condividere e adattare i dati con attribuzione purché l'uso resti non commerciale, e la scheda del dataset lo descrive come gratuito per uso di ricerca e personale. Una licenza di questo tipo disciplina come i file possono essere riutilizzati; resta distinta dai termini di servizio di TikTok, che disciplinano come i dati sono stati raccolti. L'uso commerciale, i profili dei creator e gli aggiornamenti quotidiani sono indirizzati a datasocial.ai, che vende separatamente il codice sorgente dello scraper a 1.699 dollari.

Le dispute sullo scraping sono già in tribunale. Reddit ha citato in giudizio Perplexity e tre società di data scraping nell'ottobre 2025, accusandole di uno schema su "scala industriale" per raccogliere i suoi contenuti per l'addestramento di IA, come riportato da Decrypt. A luglio, un giudice federale ha in gran parte respinto la richiesta di archiviazione del caso, secondo Law360. Le accuse superate includono violazioni del DMCA secondo cui SerpApi avrebbe aggirato le protezioni anti-bot di Google. TikTok non è parte in causa, e quel caso riguarda lo scraping tramite i risultati di ricerca di Google e non un'API mobile privata, il che significa che il suo esito non definirà direttamente lo status legale di questa raccolta.

Quanto al dataset, le righe includono didascalie, musica utilizzata e vari campi di etichettatura. Non è presente una colonna con l'handle del creator, sebbene i dati contengano didascalie, hashtag e persone menzionate nei video. L'ID utente, tuttavia, è disponibile tramite Datasocial.

Il tes di dati ha già compagnie. Copie di un altro set di 4,5 miliardi di video, anch'esso descritto come raccolto dall'API mobile di TikTok, sono presenti anche su Hugging Face, gratuiti per uso non commerciale. Il codice che lo ha raccolto costa 1.699 dollari.