「Taiwan Sovereign AI Training Corpus（臺灣主權AI訓練語料庫）」が民間言語データの提供募集を開始 ライセンス条項と客家語データの現状

2026年9月15日、台湾のデジタル発展部（moda）はTaiwan Sovereign AI Training Corpus（臺灣主權AI訓練語料庫）への民間言語データ提供募集を正式に開始したと発表し、出版社、作家、文化機関に対して出版物をAI訓練用としてコーパスにライセンス提供するよう呼びかけました。林宜敬部長は作家の立場からまず自身の著作『幸福な鬼島』（幸福的鬼島）と『流寇と革新者』（流寇與創新者）を提供し、複数の出版社や電子書籍プラットフォーム、作家も記者会見の場でライセンス同意書に署名しました。顔ぶれは次の節で紹介します。

本記事は2026年9月17日に確認を行い、moda発表3件の全文と同コーパスのウェブサイトに掲載されたライセンス条項ページを確認しました。当サイトは実地の検証を行っておらず、ライセンス提供や投稿をすべきかどうかを読者に代わって判断するものでもありません。以下で触れる規模の数字、日付、条文はいずれも、これら4件の公式文書が確認当日時点で記載していた内容に基づいており、その後変更される可能性があります。

9月15日の記者会見、誰が何に署名したか

modaは同日、「民間言語データ募集開始記者会見」を開催しました。発表文には「秀威資訊、印刻文學、Readmoo讀墨、食力、巨思文化など出版社・電子書籍プラットフォーム事業者、および藍弋丰、李魁賢（家族代表）など作家が自ら出席し、ライセンス同意書に署名した」とありますが、これは例示であって完全な名簿ではありません。陳明忠、連明偉、朱國珍、朱和之ら作家については「著作提供で賛同」したと、別枠で記されています。公式発表はこの2つのグループを分けて記述しており、後者が会場に出席したかどうかは説明していません。

林宜敬部長は、AIモデルが民主主義や権力の抑制と均衡といった概念をどう理解するかは、訓練言語データに含まれる社会的・文化的文脈の影響を受けると指摘し、現在、国際的な大規模言語モデルの中国語訓練データは依然として簡体字コンテンツが中心であると述べました。これは部長自身による現状認識であり、当サイトはこの発言自体の正しさを別途検証したわけではありません。

modaは、言語データ募集が「自発的参加、明確なライセンス、撤回可能」という3原則に基づいていると強調し、完備した撤回申請の窓口を設けているとしています。ただし公式発表はこの窓口のURL、申請フォーム、処理時間を説明しておらず、今回の募集について締切や件数の上限も定めていません。記載されているのは「modaは作家、出版社、文化機関、法人、各分野のコンテンツ提供者の参加を心より歓迎する」という一文のみです。

コーパスはどのように現在の規模へ成長したか

Taiwan Sovereign AI Training Corpusは9月15日に突然現れたものではありません。デジタル発展部は2025年12月24日に稼働開始の発表を行い、本文には「現在すでに200を超える政府機関が参加し、2,000件超のデータセット、6億を超えるtokensが公開されている」とあり、言語、文化、教育、生物、地理環境などの分野を網羅するとしています。公式が使った言葉は「現在」であり、この3つの数字について統計の基準日は示されていません。このページ自体の作成日は2025年12月24日、更新日は2026年3月19日です。

2026年7月24日、modaは新聞発表を行い、コーパスが客家委員会と連携し、近日中に客家語の言語資源、出版物、文史資料、研究報告などのコンテンツを正式に公開し、初めて約2,000万tokensの高品質な訓練言語データを追加したと発表しました。実際の公開日は明記されていません。客家語は発表の中で「我が国の国家言語の一つ」と位置づけられています。同じ発表には、コーパスは稼働開始以来15億tokensを超える言語データ量を蓄積したとありますが、この累計数字に基準時点は付されていません。

9月15日になると、modaはコーパスの規模が「今年8月末時点」で約22億Tokensに達したと述べ、民間言語データ募集の開始を、コーパスが「新たな発展段階に入る」節目と位置づけました。3件の発表のうち、規模の数字に統計基準日を明記しているのはこの発表のみです。12月の発表は「現在」、7月の発表は「稼働開始以来」としており、いずれも基準時点はありません。3つの数字はこのようにそれぞれ異なる算定基準に基づいており、本記事はこれらを足し合わせたり、差し引いたりせず、同一時点の規模に換算することもしません。

誰が言語データを提供でき、何を提供でき、誰が仲介するのか

modaの説明によれば、現段階では豊富な言語データ資源を持つ出版業と電子書籍プラットフォームを連携先とし、無償ライセンス方式で進めています。作家が自身の著作を提供したい場合は、所属する出版社がコーパスへの登録を支援できるとされていますが、作家自身が登録を申請できるかどうかは公式発表に記載がありません。重点的な募集対象は4つのカテゴリーです。同意に基づきライセンスされた出版物、出版物の紹介文、出版物の試し読みコンテンツ、そして著作権の保護期間をすでに過ぎ、パブリックドメインとして活用できる古典・創作物です。

ライセンス条項は、プロセス全体を3つの役割に整理しています。「ライセンサー」は言語データを提供する権利者、「ライセンシー」は条項に基づき言語データを利用する受領者、そして「コーパスプラットフォーム」はライセンサーから言語データを取得し、その指示に従ってライセンシーへ橋渡しする第三者です。条項には、コーパスプラットフォームは「本ライセンスが定めるいずれのライセンス関係の当事者にも該当しない」と明記されていますが、ライセンサーの同意を得た上で、言語データの受領先や有効期間を評価・選定することはできるとされています。

ライセンス条項が定める「言語データ」の範囲は書籍より広く、AIの言語・マルチモーダル学習に利用できる文章、音楽、美術、写真、図形、視聴覚コンテンツ、録音などの作品を含み（これに限定されない）、創作性のあるデータの選択・配列によって生じる編集著作物も含まれます。9月15日の発表には、今回の募集で何冊、何tokens集まった時点で終了するのかは書かれておらず、今後第2弾の募集があるかどうかも記載がありません。

ライセンス条項は投稿者の権利に何をもたらすのか

コーパスのウェブサイトが公開する「Taiwan Sovereign AI Training Corpus License – Version 1（臺灣主權AI訓練語料授權條款-第1版）」は、デジタル発展部の2025年12月24日付稼働開始発表によれば、modaと経済部知的財産局（TIPO）が共同で打ち出したものです。条項は、言語データを提供する適法な権利を持つ個人または団体を「ライセンサー」、言語データを受け取り利用する側を「ライセンシー」と呼びます。ライセンサーがライセンシーに付与するのは、複製、翻案、編集、その他著作権および著作関連権利上必要な利用権であり、言語データを適法にAI訓練へ用いることを可能にします。「このライセンスは再許諾および譲渡ができない」とされ、有効期間はライセンサーまたはその代表者が特定の年数、または永久として指定できます。

条項はまた、「撤回可能」の実際の境界線も定めています。ライセンシーが訓練によって得たモデル、重み、コード、文書その他の出力は、著作権保護の要件を満たす場合、ライセンシーまたはモデル運用者に帰属します。さらに「元の言語データが後に提供停止となった場合でも、すでに完了した訓練の成果（生成されたモデル、重み、コード、文書その他の形態の出力を含むがこれに限定されない）には影響しない」とされています。一方、すでにダウンロード済みの言語データの複製がその後も訓練に使い続けられるかどうかについては、条項に記載がありません。もう一つの但し書きとして、成果が元の言語データと実質的に類似し、元の言語データの市場または価値に負の影響を及ぼし、かつ合理的な学習の範囲を超える場合を除き、ライセンサーはAI訓練の成果を自らの著作物の翻案または編集とはみなさないこと、またその後の利用、改変、再頒布または演算行為に対していかなる制限も課さず、訴訟も提起しないことに同意する、としています。

ライセンシーが言語データを使って訓練したモデルやツールは、法令により免除される場合やライセンサーが別途同意した場合を除き、コーパスプラットフォームが提供する識別情報を表示しなければなりません——条項が挙げる例は、データセット名、バージョン番号、データセット提供者、公開年、データセットの申請ページまたは公式サイトです——そして、これがこのライセンス条項に基づいて公開された状態であることを示す必要があります。ただし条項には「本ライセンスの言語データに含まれる個々の素材について……逐一表示する必要はない」と明記されており、1冊ごとに出典を列挙する必要はありません。出力がコードや文書の場合、表示義務はより簡略化できます。条項が挙げる例は、出力成果を公に上演または展示する際に「AI生成コンテンツ」である旨を明記すべきというものです。条項ページのメタデータによれば、最終更新は2026年9月3日で、9月15日の記者会見より前です。

条項に書かれていない部分と、自分で確認する方法

条項の免責事項は率直です。これは「ロイヤリティフリーのライセンス基盤」であり、ライセンサーは言語データ自体について有する著作権および著作関連権利の地位のみを明確に主張し、それ以外の事項については一切の保証を行わず、データの利用から生じる直接的・間接的な損失についても責任を負いません。条項はさらに、ライセンシーが自己責任を負うべき法律上・倫理上問題のある行為を10項目挙げています。国際法や現地法規への違反、未成年者への加害、虚偽情報の生成、個人情報の追跡への利用、他者の適法な権利の侵害などです。条項が述べているのは、ライセンサー（言語データを提供した個人または団体）は言語データを提供したという事実だけで、これらの行為について同意、許可、承認を示したとはみなされない、ということです。

本記事が引用する4件の公式文書について2026年9月17日まで確認した範囲では、撤回申請窓口のURL、申請フォーム、処理時間は見当たらず、今回の民間募集がこれまでに何件の著作を受け付けたか、コーパスの運用管理を担う機関や事業者がどこであるかについても記載がありませんでした。一方、報酬については「言及がない」のではなく、明確に言及されています。発表文には「無償ライセンス方式で推進する」とあり、条項には「ロイヤリティフリーのライセンス基盤」とあり、いずれも原稿料や収益分配ではありません。

言語データの提供を希望する出版社や作家は、Taiwan Sovereign AI Training Corpusの公式サイトに直接問い合わせるか、発表文に記載された相談専用ダイヤル0800-023-300に電話することができます。条項にはまた、正体字中国語版と英語版はいずれも正式なテキストであり、同等の法的効力を持つと明記されています。両言語版の文言が異なる場合、本記事は中国語版のみに基づいて記述しています。

2026年テクノロジーニュースまとめ：ハードウェア、プラットフォーム、通信、法規制の要点

デジタル発展部が6G周波数国際シンポジウムを開催：何が話し合われ、何がまだ決まっていないのか

• テクノロジー・業界
• テックニュース