自有平台与 UGC 数据
一句话结论
- 有平台不等于技术报告写了平台数据。核对的 6 份一手文件（Movie Gen、HunyuanVideo、Wan 2.1、Seedance 1.0、Seedance 2.0、Veo 3 Model Card）没有一份明确写"使用本公司平台 UGC"。措辞统一为"公开 + 授权 / 内部版权来源"（Wan："internal copyrighted sources and publicly accessible data"；Seedance 1.0："public and licensed repositories"）。平台数据的使用主要由媒体调查、公司被动确认和诉讼暴露。
- 唯一被公司明确确认的"平台到视频生成模型"案例是 Google：2025-06-19 Google / YouTube 向 CNBC 确认用 YouTube 内容训练其 AI 模型，包括 Gemini 与 Google Veo（2 / 3 / 3.1）（Veo 3）；Google 称只用平台上的部分视频，并遵守与特定创作者、媒体公司的协议；YouTube 未说明用了多少、哪些。创作者无法拒绝 Google 自家训练，只能对第三方关闭（YouTube 第三方训练授权设置，2024-12 上线，默认关闭）。CNBC 称 YouTube 总库约 20 billion 级视频（非训练集规模）。已核 CNBC 原文（NBC 联播站转载）。[1][2]
- 用户条款多为概括性授权，明示"训练机器学习模型"的仍是少数：TikTok 美国版条款（2026-07-15 更新）明写 "training, testing, and improving our machine learning models and algorithms"；抖音协议（2026-02 更新）只有"研究"和"开发运营数据权利"措辞，未明写训练；YouTube 条款无 AI 训练专条。快手、腾讯、B 站条款原文未取得。详见 平台用户条款中的训练授权（TikTok / 抖音 / Twitch）。[3][4][5]
- 监管的实际约束在"披露"而非"禁止"：欧盟 AI Act GPAI 义务自 2025-08-02 适用，须按 2025-07-24 的模板公开训练内容摘要（爬取数据须列 top 10% 域名），Commission 执法权自 2026-08-02 起，存量模型缓冲至 2027-08-02（EU AI Act GPAI 训练内容摘要与行为准则）。德国科隆高等法院 2025-05 认可 Meta 以"合法利益"训练公开内容（紧急程序）。[6][7]
- 有平台与无平台的分野：有平台者（快手、字节、Google、Meta、腾讯、阿里）的问题是"授权合规"；无平台者（生数 Vidu、爱诗 PixVerse、MiniMax 海螺 Hailuo、Runway（Gen-3 / Gen-4 / Aleph）、Luma AI（Ray）、Pika）的问题是"供给"。但平台自有数据并未消除对 YouTube 等外部数据的依赖：字节、Snap、Meta、Nvidia、Apple 同样因使用"YouTube 源学术数据集"被诉（见 YouTube 创作者系列诉讼（DMCA 1201））。
生产方式
技报可核的数据流程对比
| 环节 | Movie Gen（Meta） | HunyuanVideo（腾讯） | Wan 2.1（阿里） | Seedance 1.0（字节） |
|---|---|---|---|---|
| 来源描述 | 论文未写来源，仅"original pool of videos 4 秒–2 分钟" | "raw data pool"，涵盖人物/动物/植物/风景/车辆/物体/建筑/动画 | "internal copyrighted sources and publicly accessible data" | "ethically and legally sourced content from diverse public and licensed repositories" |
| 规模 | O(100)M 视频-文本对 + O(1)B 图文对 | 图像十亿级 + 数亿级两档；视频精选"millions of high-quality clips (80,000 hours)" | "billions of images and videos" | 未给总量 |
| 流程 | 3 阶段过滤（视觉/运动/内容），切成 4–16 秒单镜头 | PySceneDetect 切镜 → Laplacian 清晰度 → 分层过滤 | 4 步清洗（基础维度/视觉质量/运动质量） | 镜头切分、去水印/字幕、质量与美学过滤、语义去重 |
| caption | 自研 LLaMA 系 captioner | 自研 | 内部 caption 模型 | 自训描述模型 |
来源：Meta Movie Gen [8]；腾讯 HunyuanVideo（1 / 1.5） [9]；阿里通义万相 Wan（2.1 / 2.2 / 2.5） [10]；字节 Seedance（1.0 / 2.0）与即梦 1.0 [11]。
平台特有的"内生数据"优势（推断）
- 平台拥有的不只是原始视频，还有行为信号：完播、点赞、分享、剪辑操作，可作偏好/质量标签。这是推断，技报未明确披露使用。
- 抖音协议 14.8 条称"我们会在部分功能中通过人工智能技术为您提供服务……也会持续优化模型和平台服务"，并链接算法及模型备案公示说明。[4]
厂商与渠道
有平台的一方
| 名称 | 国家 | 平台与语料体量 | 视频生成产品 | 技报/官方对数据来源的表述 | 条款/争议 | 来源 |
|---|---|---|---|---|---|---|
| Google / YouTube | 美 | 上传约 500 小时/分钟（约 72 万小时/天，行业常引数，二手）；总视频数估算 UMass 13.3B（2023-12）与 Omdia 29B（2025-12）差异大 | Google Veo（2 / 3 / 3.1）（Veo 3 / 3.1） | Veo 3 Model Card 只写训练于"audio, video, and image data"，由多个 Gemini 模型加 caption，语义去重；未写 YouTube | 2025-06-19 向 CNBC 确认用 YouTube 部分视频训练 Gemini 与 Veo 3；多名创作者不知情；2024-12 第三方训练设置 | [1][2][12] |
| 快手 | 中 | 2025 全年 DAU 4.102 亿；Q4 DAU 人均日使用 126.0 分钟；日上传量、总时长未查到 | 快手可灵 Kling | 官方称"自建自动化数据方案"；无技报给出来源；Koala-36M 源自公开 YouTube 系数据集 | 条款原文未取得；可灵 2026-06 全球用户 >1 亿、企业客户近 5 万家、2026Q1 营收 >6.5 亿元（公司口径/媒体） | [13][14] |
| 字节（抖音 / TikTok / CapCut / 红果） | 中/全球 | 体量未查到可核数字 | 字节 Seedance（1.0 / 2.0）与即梦、即梦 | Seedance 1.0："public and licensed repositories"；Seedance 2.0 报告全文检索未见数据来源章节 | TikTok 美国条款明示 ML 训练；抖音协议无明示；2026-02 好莱坞 C&D、2026-08 MPA MOU（MPA–字节 MOU） | [4][5][11][15] |
| Meta（Instagram / Facebook） | 美 | 体量未查到可核数字 | Meta Movie Gen（2024-10）、Vibes | 论文：O(100)M 视频，来源未写；媒体称 Meta 说是"licensed and publicly available"（二手，未找到原话）；是否含 IG / FB 视频：未查到 | 欧盟公开内容训练 opt-out 方案；科隆法院 2025-05-23 驳回禁令申请 | [8][7] |
| 腾讯（视频号 / 腾讯视频） | 中 | 视频号体量未查到 | 腾讯 HunyuanVideo（1 / 1.5）（开源 13B） | 报告称"pre-training on internet-scale images and videos"，数据流程符合 GDPR；未写视频号 | 混元用视频号 UGC 训练：未查到报道或调查；元宝在 ChinAI 15 款产品隐私透明度评估中得分最高（72 分），并提供撤回未来训练的选项 | [9][16] |
| 阿里（优酷 / 淘宝 / 高德） | 中 | 优酷体量未查到 | 阿里通义万相 Wan（2.1 / 2.2 / 2.5）（2.1 / 2.2 开源） | "internal copyrighted sources and publicly accessible data"，"billions of images and videos"；"内部版权来源"是否即优酷：报告未写，官方无确认 | 某个人站点称 Wan 训练含优酷/电商/高德数据、"200 万小时视频"，无官方依据，不采信 | [10] |
| B 站 | 中 | 未查到 | 自研视频生成（2026 起任命曾爱玲负责视频生成业务）、Index 基础模型 | 训练数据与 UP 主授权机制：未查到 | UP 主授权/补偿方案：未查到 | [17] |
| 小红书 | 中 | 未查到 | 绘画模型 Trik AI（图像，非视频） | 2023 年插画师指控其用作品训练；公司回应称图像来自开放来源并已删除 | 用户协议"make derivative content"引发抵制；与视频无直接关系 | [18] |
| 百度 | 中 | 未查到 | 本次未专项检索 | 未查到 | — | — |
| Snap | 美 | Spotlight 等；体量未查到 | Imagine Lens 等 | 被诉使用 HD-VILA-100M 等学术数据集 | 2026-01 创作者集体诉讼（C.D. Cal.） | [19] |
| Apple | 美 | — | "Apple AI Video"（诉状称谓） | 诉状引 Apple 2024 STIV 论文使用 Panda-70M | 2026-04-03 集体诉讼（DMCA 规避技术措施） | [20] |
| Amazon / Twitch | 美 | Twitch 直播与 VOD | Nova Reel（训练数据未查到） | Twitch 2026-08-12 宣布频道内容默认可用于 Amazon 生成式 AI 训练，需手动关闭；仅对未来训练生效、按频道设置 | 2026-08 Pandiscia 集体诉讼（N.D. Cal.），诉默示/明示合同、不当得利、加州 UCL | [21] |
无平台的一方（对照）
| 名称 | 国家 | 数据替代路径 | 来源 |
|---|---|---|---|
| 生数 Vidu（生数） | 中 | 零披露训练数据；视觉中国股权 + 版权库专区；具身伙伴合作；论文仅致谢"数据团队"（转引，本次未重核） | 转引 |
| 爱诗 PixVerse（爱诗） | 中 | 自研标注系统；视觉中国洽谈；2026-08 秘密递表；C 端约 1.5 亿用户的生成记录（转引，本次未重核） | 转引 |
| MiniMax 海螺 Hailuo | 中 | 招股书承认数据可能无第三方许可；被迪士尼 / 环球 / 华纳诉（Disney / Universal / WBD v. MiniMax）；2026-05 加州联邦法官驳回其管辖权异议，案件进入证据开示（含训练数据文档） | [22] |
| Runway（Gen-3 / Gen-4 / Aleph） | 美 | 2024-09-18 与 Lionsgate 签约，在其 20,000+ 部影视库上训练定制模型（Lionsgate 内部使用，见 Lionsgate × Runway 片库合作）；与 Getty 数据合作；曾被曝爬取 YouTube 频道 | [23] |
| Luma AI（Ray） | 美 | 训练数据未披露；2025-11 融资 $900M（公司口径"petabytes of multimodal data"）；付费层条款被二手分析称含宽泛的上传内容训练许可（未验原条款） | [24] |
| Pika | 美 | 训练数据来源未查到；列入 YouTube 第三方训练设置的公司名单 | [25] |
应用方式
平台数据用在哪一段、技报里是否出现：
| 段 | 平台数据的可能角色 | 技报/官方证据 |
|---|---|---|
| 预训练 | 规模池（O(100)M 级片段） | Movie Gen、Hunyuan、Wan 均给规模，均不指名平台；Veo 3 Card 不指名 YouTube，YouTube 的使用只见于 Google 对 CNBC 的确认 |
| 后训练 / SFT | 精选类目（人工采集） | Seedance 1.0 SFT 为人工按类目采集 + 校验；平台来源不明 |
| 偏好 / RLHF | 用户行为信号 | 无一手披露平台行为数据用于视频模型 RLHF，该点为推断 |
| 评测 | 自建 bench | Movie Gen 开源 MovieGenBench（论文引用） |
结论：平台数据在技报中的可见度几乎为零。厂商有意不指认来源（版权、隐私、诉讼考虑，属推断）。
规模、成本与价格
- 平台自有语料无定价：内部使用不产生交易价格，自有数据免采购费，但有存储、标注、合规成本；比较成本数据未查到。
- 外部授权对照：Troveo 8M+ 小时、累计付出 $20M+（公司口径），Shutterstock 2024 年 data 授权收入 $120.3M（10-K；均为转引，本次未重核，见 版权库章、Troveo AI、Shutterstock）。
- YouTube 称第三方训练设置是"向更易授权 AI 训练的第一步，未来可能涉及补偿"，之后可能允许授权公司直接下载视频。补偿机制实际落地：未查到。[25]
局限与争议
条款层
| 平台 | 许可措辞 | 明示 AI 训练 | 来源 |
|---|---|---|---|
| YouTube | 创作者授予"worldwide, non-exclusive, royalty-free, sublicensable and transferable license"；禁止以 robots、botnets、scrapers 自动访问 | 条款本身无专条 | [3] |
| TikTok（美国） | "non-exclusive, irrevocable, royalty-free"，受平台设置约束；用途含"developing new technologies (including training, testing, and improving our machine learning models and algorithms)"；更新 2026-07-15，授权主体为 TikTok USDS Joint Venture | 是 | [5] |
| 抖音 | 全球范围、免费、非独家、可多层次再许可；含信息网络传播权、改编权、制作衍生品；可用于"宣传、推广、广告、营销和/或研究"；10.6 条平台享有开发运营所产生数据的权利；更新 2026-02-13，生效 2026-02-20 | 否（页面检索未见明示） | [4] |
| 快手 / 腾讯视频号 / B 站 | 原文未取得 | 未查到 | — |
| Twitch | 2026-08-12 起默认开放给 Amazon 训练，手动关闭，不溯及既往 | 是（通过设置） | [21] |
| 小红书 | 协议含"make derivative content"，被插画师批评（2023） | 争议 | [18] |
隐私与同意争议
- YouTube：CNBC 访谈的多名头部创作者不知道内容可被 Google 训练；创作者无法阻止 Google 训练自家模型；Vermillio Trace ID 检测到 Veo 3 输出与现有 YouTube 视频高度相似（Vermillio 检测一项为二手转述，未复核）。[1]
- 第三方训练设置：默认关闭；仅 Studio Content Manager 管理员角色可用；初始公司名单 17 家（报道称 18 家，仅列 17 个名字），含 ByteDance、Meta、Apple、Nvidia、OpenAI、Runway、Pika、Stability；YouTube 无法说明是否有溯及力；条款仍禁止未经授权的第三方访问。[25]
- 抓取/学术集路径：HD-VILA-100M 为 YouTube 源（3.3M 视频、100M 片段对），Panda-70M 由其衍生（3.8M 视频、70.8M 片段，研究许可）。The Atlantic 视频数据集调查 调查发现至少 1500 万 YouTube 视频出现在科技公司的数据集；ByteDance、Tencent 是否被具体点名未能核实。[26]
- 诉讼：h3h3 / MrShortGame Golf / Golfholics 等创作者对 Nvidia、Meta、ByteDance、Snap（2026-01-26，C.D. Cal.）、Apple / Amazon / OpenAI（三案同于 2026-04-03 提起；诉状称 H3H3 有 146 条在 HD-VILA-100M、155 条在 Panda-70M，Piracy Monitor 转述）提起集体诉讼，主张规避 YouTube 技术措施、违反 ToS、违反学术数据集许可。截至 2026-10 未见实体裁决。
- Meta 欧盟：科隆高等法院 2025-05-23 以合法利益认可训练公开内容，Meta 承诺屏蔽个人数据并提供 opt-out；noyb 在 11 国提起投诉；裁决为紧急程序不可上诉，主案可能继续。该案针对文本/帖子类数据，是否涉及视频未查到。[7]
- 中国：中国《生成式人工智能服务管理暂行办法》与标识办法（2023-08-15 施行）据 Sixth Tone 报道"forbids copyright infringement in the training of AI models"（二手）；国内尚无针对平台 UGC 训练视频模型的公开诉讼或处罚（本次检索未见，不等于不存在）。[18]
监管视角
- 欧盟：GPAI 义务自 2025-08-02 适用；须发布训练内容公开摘要，6 类数据（公开/授权/爬取/用户数据/合成/其他）；爬取须列 top 10% 域名（SME 为 5%）；须有版权合规政策并尊重权利保留；Commission 执法 2026-08-02 起，存量模型至 2027-08-02。含义：面向欧盟的视频模型若在欧提供，将被迫披露"用户数据"类别，平台 UGC 使用将首次以标准格式呈现。各模型实际提交的摘要：未查到。[6]
- 中国：2025-09 起抖音等平台落实 AI 生成内容标识办法（输出侧），训练侧无同类披露要求（据本次检索）。
其他局限
- 平台"条款授权"与"训练合法性"不等价：条款授权对象是平台，对视频中出镜的第三方（人脸、音乐、影视片段二次创作）无约束，这是 UGC 路线的版权暗点（分析判断，非来源事实）。
- 平台视频经压缩转码、短时长、单镜头居多，不足以覆盖影视级 / 4K 需求。
口径冲突与未核实
| 说法 A | 说法 B | 采信 | 原因 |
|---|---|---|---|
| 快手/抖音的平台自有 UGC 是"天然训练池" | 一手技报均未确认；唯一公司确认的是 Google / YouTube | B，A 改为"推断 / 行业共识，未被披露确认" | 技报措辞均为公开 + 授权 |
| Atlantic 调查点名 ByteDance、Tencent | 本次只核到至少 1500 万 YouTube 视频、HD-VILA / Panda 系列 | B，公司点名标未核实 | 未取得原文 |
| 三案共享某个单一的小规模数据集（有说法给出具体视频数） | Snap（2026-01-26）属实；Apple / Amazon / OpenAI 三案 2026-04-03 同日提起（Piracy Monitor）；该说法的数字未复现，HD-VILA 为 3.3M、Panda-70M 为 3.8M 视频 | 不采信 A | 无佐证 |
| 爱奇艺 2025-01 起诉 MiniMax（爱奇艺诉 MiniMax） | 本次只核到迪士尼 / 环球 / 华纳案及 2026-05 驳回其撤案申请 | 待核 | 未找到爱奇艺诉讼佐证 |
| Seedance 1.0 技报"自建多来源数据集"，暗示抖音自有数据 | 原文措辞为"public and licensed repositories" | B | 未指向抖音自有数据 |
| Wan 数据含优酷 / 淘宝 / 高德生态 | 报告仅写"internal copyrighted sources"，官方无确认 | B | 候选推测无官方依据 |
| YouTube 第三方设置共 18 家公司 | 报道仅列出 17 个名字 | 17 家 | 以实际列出为准 |
| YouTube 总视频数 13.3B（UMass，2023-12） | 29B（Omdia，2025-12） | 并列，不取单值 | 口径与时点差异大，均为二手 |
未查到项：快手、腾讯、B 站条款原文；百度；Meta 对 Movie Gen 数据的原话；抖音 / 快手日上传量；Pika 数据来源；Amazon Nova Reel 训练数据；中国暂行办法训练数据条款原文；Google 在欧盟提交的训练内容摘要；Kling 官方技报。
来源
- CNBC（Zach Vallese，2025-06-19，NBC 联播站转载）：https://www.nbcbayarea.com/news/business/money-report/google-is-using-youtube-videos-to-train-its-ai-video-generator/3896620/
- Veo 3 Model Card：https://storage.googleapis.com/deepmind-media/Model-Cards/Veo-3-Model-Card.pdf
- YouTube ToS：https://www.youtube.com/t/terms
- 抖音用户服务协议：https://www.douyin.com/agreement
- TikTok 美国条款：https://www.tiktok.com/legal/page/us/terms-of-service/en
- 欧盟 GPAI 与训练内容摘要模板（Mayer Brown）：https://www.mayerbrown.com/ja/insights/publications/2025/08/eu-ai-act-news-rules-on-general-purpose-ai-start-applying-guidelines-and-template-for-summary-of-training-data-finalized
- 科隆法院 Meta 案（Taylor Wessing）：https://www.taylorwessing.com/en/insights-and-events/insights/2025/05/meta-vs-verbraucherzentrale-nrw
- Movie Gen：https://arxiv.org/abs/2410.13720
- HunyuanVideo：https://arxiv.org/abs/2412.03603
- Wan：https://arxiv.org/abs/2503.20314
- Seedance 1.0：https://arxiv.org/abs/2506.09113 ；Seedance 2.0：https://arxiv.org/abs/2604.14148
- YouTube 上传量（二手）：https://techjury.net/industry-analysis/how-many-videos-are-uploaded-to-youtube-a-day/
- 快手 DAU：https://tech.ifeng.com/c/8rmftcBsENm
- 可灵规模：https://stock.10jqka.com.cn/20260703/c677929288.shtml
- Koala-36M：https://arxiv.org/abs/2410.08260
- ChinAI 透明度评估：https://chinai.substack.com/p/chinai-293-transparency-assessment
- B 站（KrASIA）：https://amp.kr-asia.com/bilibili-appoints-ailing-zeng-to-lead-its-ai-video-generation-business
- 小红书 Trik AI（Sixth Tone）：https://www.sixthtone.com/news/1013514
- Snap 诉讼：https://techcrunch.com/2026/01/26/youtubers-sue-snap-for-alleged-copyright-infringement-in-training-its-ai-models
- Apple 诉讼：https://gigazine.net/gsc_news/en/20260407-youtube-channels-sued-apple ；https://piracymonitor.org/youtube-publisher-sues-apple-amazon-openai-for-using-their-videos-to-train-ai/
- Twitch / Amazon：https://thenextweb.com/news/twitch-amazon-pandiscia-class-action-terms-rewrite-ai-training
- MiniMax：https://aiweekly.co/alerts/minimax-loses-dismissal-bid-in-disney-copyright-suit
- Runway-Lionsgate：https://petapixel.com/2024/09/19/ai-video-generator-runway-partners-with-major-hollywood-studio-lionsgate/
- Luma 融资：https://siliconangle.com/2025/11/19/multimodal-ai-developer-luma-ai-raises-900m-funding/
- YouTube 第三方训练设置（TechCrunch）：https://techcrunch.com/2024/12/16/youtube-will-let-creators-opt-out-of-third-party-ai-training
- The Atlantic 调查（二手）：https://www.ai-ap.com/publications/article/35832/state-of-the-art-hundred-of-thousands-of-videos-f.html
本章涉及的实体
YouTube 第三方训练授权设置概念与方法
2024-12 上线的创作者开关，默认关闭，只管第三方、不管 Google 自家模型
平台用户条款中的训练授权（TikTok / 抖音 / Twitch）概念与方法
UGC 平台靠用户协议取得训练授权，措辞从明示到概括不一，且不覆盖出镜第三方
快手可灵 Kling模型 · 中国
快手视频生成模型，训练数据仅靠 Koala-36M 与 Omni 技报透出管线轮廓
腾讯 HunyuanVideo（1 / 1.5）模型 · 中国
腾讯开源视频模型，1.5 版披露原始超 1000 万小时、预训练约 8 亿片段
阿里通义万相 Wan（2.1 / 2.2 / 2.5）模型 · 中国
阿里开源视频模型，技报写明"内部版权来源加公开数据"及完整过滤账
本文为个人研究笔记，结论基于成文时可获得的公开信息；带〔估算〕〔推断〕或 ⚠️ 的数字未经独立核实。