4,5 bilhões de vídeos do TikTok viraram base de treino pública — e a sua legenda está lá

Um pesquisador independente publicou no Hugging Face — a maior vitrine pública de bases de treino de IA — um pacote com 4.501.811.789 registros de vídeos do TikTok. São 27 arquivos Parquet, cerca de 289 GB comprimidos, com download livre.

A coleta durou cerca de três semanas e não passou por nenhuma porta oficial. Segundo a própria descrição da base, os dados saíram da API HTTP privada que o app Android do TikTok usa, com registros de aparelho anônimos, sem login e sem conta. A varredura cobriu 27 das 32 partições de armazenamento da plataforma.

O que está dentro

Não tem arquivo de vídeo. É por isso que 4,5 bilhões de linhas cabem em 289 GB.

O que tem é a ficha de cada post: ID do vídeo, data de publicação, a legenda escrita pelo criador, as contas marcadas, duração, o ID e o título do som usado, código de país, idioma, marcação de anúncio — e os números de views, likes, comentários, compartilhamentos e salvamentos.

Dois detalhes importam mais do que parecem.

O primeiro: os números de engajamento são uma foto, não uma série. Cada linha guarda o valor do instante em que foi coletada. Não dá para ver curva de crescimento, dá para ver o retrato.

O segundo: a base preserva a ordem de armazenamento original, e essa ordem agrupa os vídeos de cada criador. Ou seja, o pacote não é uma sopa aleatória de posts soltos — o histórico de um perfil sai junto, em bloco.

A parte legal, escrita pelo próprio autor

Aqui não há disputa de interpretação. A página da base admite tudo, com todas as letras.

Admite que a coleta foi contrária aos termos de uso do TikTok. Admite que não tem nenhuma ligação com o TikTok ou a ByteDance. E admite que as legendas são escritas por pessoas reais e que a base é dado pessoal sob o GDPR europeu, o GDPR do Reino Unido e o CCPA da Califórnia.

Em seguida, a mesma página proíbe usar o material para identificar, perfilar ou mirar indivíduos, e libera o uso para pesquisa e educação.

Vale ler essas duas frases na sequência, porque elas dizem a coisa toda: o autor reconhece a obrigação legal e a transfere para quem baixar. A proibição na descrição é política, não barreira técnica. O arquivo baixa igual.

Até o fechamento deste texto, não havia manifestação pública do TikTok nem do Hugging Face sobre a remoção.

O que isso muda para quem cria no Brasil

Menos do que o número assusta, e mais do que parece.

Não é vazamento. Nada aí era secreto — legenda, som e contador de views estão visíveis para qualquer pessoa que abra o seu perfil. O que mudou foi o formato. Aquilo que antes exigia abrir vídeo por vídeo agora é uma tabela que carrega num notebook e roda em minuto.

E é bom lembrar o motivo pelo qual esse tipo de coisa continua acontecendo: o custo é ridículo. Não existe barreira de preço protegendo o seu histórico — existe barreira de trabalho, e ela acabou de ser derrubada para o lado de fora.

O uso previsível não é te perseguir. É treinar modelo que aprende o que performa: qual formato de legenda puxa save, qual som segurou retenção em que país, qual gancho rende comentário. O seu acerto de dois anos atrás virou linha numa planilha que vai ensinar máquina — e concorrente — a repetir o padrão.

O que fazer com isso

1. Pare de tratar legenda como texto descartável. Ela é o campo mais valioso do pacote, é o único conteúdo autoral inteiro que está lá dentro, e é o que faz a base ser classificada como dado pessoal.
2. Se você usa a legenda para dado de contato, mude hoje. E-mail, WhatsApp e telefone escritos na legenda não estão mais espalhados por 4,5 bilhões de posts: estão numa coluna, ordenável, filtrável por país. Contato vai na bio ou no link.
3. Não conte com remoção. Mesmo que o TikTok derrube a página amanhã, 289 GB com download aberto já foram copiados. Trate a base como permanente e decida daqui para a frente, não para trás.
4. Guarde o seu próprio número. Se um modelo treinado nesse pacote vai saber o que funciona no seu nicho, o mínimo é você saber também. Exporte o seu painel e tenha a sua série histórica de verdade — que é justamente o que essa base não tem.