Скільки слів треба, щоб розуміти відео носіїв?
Якщо знаєш 5000 найчастіших англійських слів, у типовому ролику носія 95,6% слів тобі знайомі. Для іспанської потрібно близько 6800 слів, щоб дійти до 95%, а в 13 із 23 мов навіть 10 000 замало. Дані з 35 615 роликів носіїв, по кожній мові та рівню.
Chief Language Geek @ Reelang
Якщо ти знаєш 5000 найчастіших англійських слів, у типовому англомовному ролику носія 95,6% слів тобі знайомі, а 58,4% роликів сягають 95%, тобто рівня, на якому, за дослідженнями аудіювання, слухач розуміє добре. Для іспанської типовому ролику треба близько 6800 слів, щоб дійти до 95%, а в 13 із 23 виміряних мов навіть 10 000 слів замало.
Ці числа зібрані з 35 615 роликів носіїв 23 мовами з каталогу Reelang: кожне слово звірено з частотним списком відповідної мови. Обери нижче мову й обсяг словника, щоб побачити результат.
Перша тисяча слів робить основну роботу
Частотність слів дуже нерівна. Кількасот слів (the, and, is, you, que, de) складають велику частку всього, що люди кажуть, і кожне наступне слово в списку трапляється рідше. Ця закономірність відома як закон Ципфа, і вона діє в усіх мовах тут.
Серед 18 мов, які можна ранжувати без застережень, типовий ролик покритий на 80,7% першою тисячею слів, на 86,7% двома тисячами і на 92,4% п'ятьма тисячами. Перша тисяча слів дає чотири знайомі слова з п'яти. Наступні чотири тисячі додають близько дванадцяти пунктів.
Пороги, важливі для аудіювання, ховаються саме в цих останніх пунктах. Два з них постійно згадують у дослідженнях про потрібний обсяг словника:
- 95%, одне незнайоме слово з 20. Batia Laufer запропонувала цей поріг для читання в 1989 році. Для аудіювання van Zeeland і Schmitt (2013) виявили, що більшість слухачів давали собі раду вже на 90%, а на 95% слухачі другою мовою розуміли добре й з набагато меншим розкидом між собою.
- 98%, одне незнайоме слово з 50. Hu і Nation (2000) з'ясували, що для самостійного читання художньої прози потрібно приблизно стільки, щоб розуміння було достатнім.
При 150 словах за хвилину, тобто звичайному темпі мовлення, 95% означає близько семи незнайомих слів щохвилини (Nation, 2006). 98% означає три. Цю різницю можна відчути в демо нижче. Воно бере справжні репліки з роликів дослідження і затирає кожне слово, якого немає серед обраної тобою кількості найчастіших.
Зі словником у 2000 слів репліка про фрикадельки знайома на 58,3%: albóndigas, parmesano, rallado та orégano узагалі відсутні в списку, а perejil (петрушка) стоїть на 13 520 місці. Репліка про кота при тих самих 2000 слів знайома на 96,2%. Обидва ролики іспанські, обидва позначені як A2.
Англійська й іспанська в числах
Англійська. Типовий ролик сягає 90% при 2021 слові, 95% при 4462 словах і 98% при 9403 словах. З 3000 слів 24,9% англійських роликів мають 95% і більше. З 5000 слів таких 58,4%, а 15,2% мають 98% і більше.
Іспанська. Типовий ролик сягає 90% при 2754 словах і 95% при 6781 слові. До 98% він не доходить і в межах 10 000 слів. З 3000 слів 10,8% іспанських роликів мають 95% і більше. З 5000 слів таких 32,0%.
Отже, для іспанської той, хто знає 3000 слів, знайде приблизно один ролик із десяти, де 95% слів знайомі. Це справжній матеріал для навчання, бо невідомі слова стоять в оточенні відомих. Ось один такий колумбійський ролик: 88,4% його слів входять у першу тисячу і 96,3% у перші дві тисячі.
Знати слова і вловити їх на слух, це різні речі. Спікери в тому ролику говорять із медіанним темпом 243 слова за хвилину, значно швидше за навчальний аудіозапис. Покриття словника показує, чи зрозумів би ти транскрипт. Воно не показує, чи встигаєш ти за швидкістю.
Пологі й круті мови
Криві мають різну форму. У данській, шведській та нідерландській перша тисяча слів уже покриває 84,4%-86,5% типового ролика, а перехід від 1000 до 5000 слів додає лише 8,3-9,3 пункту. Англійська, французька, іспанська, португальська та італійська додають на тому ж проміжку 11,5-12,6 пункту. Найкрутіші криві в індонезійської (+20,8), української (+18,3), арабської (+18,1), російської (+16,5), фінської (+15,3), турецької (+15,2) та польської (+14,3).
Крута крива означає, що після першої тисячі слів у ролику лишається більше незнайомого, і кожна наступна тисяча коштує більше. Частково це властивість мови. Частково це спосіб підрахунку слів, і його треба пояснити, перш ніж порівнювати дві мови.
Списки тут лематизовані: dije, dijo і decir рахуються як одне слово, decir. Це справедливо щодо іспанської з її безліччю дієслівних форм. Але лематизатор працює лише тоді, коли впізнає форму. У чеській, фінській, угорській, російській та українській 9,0%-10,8% слововживань у типовому ролику це форми, які список не зміг звести до жодної леми. Багато з них звичайні слова з відмінковим закінченням, яке інструмент не зняв. Тут вони враховані як незнайомі, тож для цих п'яти мов числа є нижньою межею: реальне покриття вище. У таблиці нижче вони позначені зірочкою.
Схожим чином складні слова псують картину німецькій, нідерландській і скандинавським мовам. Німецький композит на кшталт Küchenschrank (кухонна шафа) рахується як незнайомий, якщо цілого слова немає в списку, навіть коли ти знаєш обидві частини.
Позначка рівня майже не змінює лексику
Кожен ролик у каталозі має рівень CEFR, який визначає модель за транскриптом. Тут вони згруповані у п'ять смуг, від A1 (A0 враховано як A1) до C1 (C2 враховано як C1). Якби позначка відповідала лексиці, вищі рівні потребували б більше слів. У межах перших 2000 слів це майже не так. За медіаною по мовах (для A1 достатньо роликів в 11 мовах, для C1 у 20) перші 2000 слів покривають 84,0% ролика A1, 84,0% на A2, 85,2% на B1, 86,1% на B2 і 84,1% на C1.
Рівень усе ж проявляється у верхній частині діапазону. З 5000 слів ти знатимеш 95% слів у 30,2% роликів A1, 20,6% роликів A2, 22,6% роликів B1, 15,5% роликів B2 і 4,5% роликів C1. Частково причина в довжині: медіанний ролик C1 у вибірці має 338 слововживань, медіанний A1 лише 81. У короткому ролику менше нагод ужити рідкісне слово.
Ролики з найнижчим покриттям здебільшого про їжу. Серед 25 англійських роликів вибірки з найнижчим покриттям при 2000 слів близько двох третин це рецепти, огляди їжі чи дегустації снеків, і 21 із них має позначку A1 або A2. В іспанській 11 із найнижчих 25 про їжу, а три це дитячі пісеньки. Граматика в рецепті проста («додай часник, перемішай, готово»), тому й позначка низька. А іменники не прості. В англійському списку garlic це слово 6395, а tablespoon 11 551. В іспанському ajo це 6605, а sartén (сковорода) 11 125.
Ось два англійські ролики. Перший, трейлер фільму з позначкою B2: 96,9% його слів входять у перші 2000 і він переходить поріг 95% уже на 1300 словах. Другий, рецепт для повільноварки з позначкою A2: 72,3% його слів входять у перші 2000, а 95% він долає аж на 11 551 слові, тобто на ранзі tablespoon.
Трейлер теж непростий, але з іншої причини: його спікери говорять із медіанним темпом 215 слів за хвилину. Позначка рівня змішує швидкість, граматику й лексику в одну літеру, і саме лексична частина губиться. Якщо твій словник між 2000 і 5000 слів, дивись не лише на рівень, а й на тему ролика: їжа, кулінарія та розмови про товари використовують багато слів із далекого кінця списку.
Варіанти мов теж різняться
Арабська виміряна окремим частотним списком для кожного діалекту. Для інших мов усі варіанти міряні одним списком. З 2000 слів типовий ролик єгипетською арабською покритий на 86,1%, іракською на 79,6%, марокканською на 72,5%. Для марокканської 9,5% слів типового ролика взагалі відсутні в її списку, тож частина розриву це вада списку. У французькій ролики з Квебеку дають 90,6% проти 87,6% для роликів із Франції. Бразильська португальська на 87,4%, європейська на 80,3%, але фільтри пройшли лише 61 європейський ролик, і оцінені вони за іншим списком, тож до цієї цифри став обережно.
Як це співвідноситься з оцінкою Nation
Найвідоміше число для усної англійської походить зі статті Paul Nation 2006 року «How large a vocabulary is needed for reading and listening?». На корпусі усної новозеландської англійської він виявив, що 3000 словотвірних гнізд плюс власні назви дають понад 95% покриття, а для 98% потрібно 6000-7000 гнізд. Webb і Rodgers (2009) отримали схожі числа для кіносценаріїв: 3000 гнізд плюс власні назви та маргінальні слова дають 95,76%, а 6000 гнізд із тими ж доповненнями 98,15%.
Мої числа для англійської вищі: 4462 слова, щоб типовий ролик дійшов до 95%, і 9403 для 98%. Якщо взяти всі англійські ролики як один довгий текст, 5000 слів покривають 95,1%. Розбіжність має три причини, і жодна з них не означає, що якесь дослідження помиляється:
- Гніздо більше за лему. Словотвірне гніздо об'єднує happy, unhappy, happiness і happily в одну одиницю. Список лем рахує їх як чотири. Тож 3000 гнізд відповідають більшій кількості лем.
- Список побудований переважно з писемних текстів. Повсякденні розмовні слова стоять у ньому нижче, ніж можна очікувати: alright це слово 3102, kinda 2333, bye 3273.
- Короткі відео тримаються однієї теми. Дворвилинний рецепт витрачає більшість слів на лексику однієї теми, тоді як довга розмова перескакує і частіше повторює загальні слова.
Що це означає, якщо ти вчиш мову
Перші 2000 або 3000 слів варто вчити свідомо, за частотною колодою чи курсом. На цьому етапі реальна частка роликів носіїв стає доступною на рівні 95%, і далі багато нових слів можна підхоплювати з контексту, а не зі списку. У посібнику для початківців Christian Lauer пояснює, як швидко дійти до цієї точки.
Після цього обирай ролики за темою, а не лише за рівнем. Той, хто знає 3000 іспанських слів, зрозуміє скетч про кота вище і все одно загубиться в рецепті фрикадельок, хоча обидва позначені як A2. А для чеської, фінської, угорської, російської та української очікуй, що числа тут виглядатимуть страшніше за реальність: значна частина «незнайомого» це знайомі слова із закінченням, яке тобі ще не траплялося.
Якщо хочеш потренуватися на таких роликах, сторінки іспанської, англійської та німецької містять ролики носіїв за рівнями, з такими самими послівними субтитрами, як у роликах на цій сторінці. Більше про те, чому розуміння йде перед мовленням: як перестати перекладати в голові.
Як я це вимірював
Ролики. Усі ролики були в каталозі Reelang станом на 29 вересня 2026 року і в ротації: публічно показані, з мовленням, контент носіїв (не мовні уроки), не дубльовані й однією мовою. Для кожної мови я брав до 500 роликів на рівень CEFR і зважував кожен рівень за його часткою в каталозі, щоб числа описували каталог загалом. Ролики з менш ніж 50 словами, ролики, де повторюється один рядок субтитрів (понад 30% рядків), ролики, швидші за 330 слів на хвилину тривалості, і ролики, де понад 35% слів відсутні у списку мови (зазвичай транскрипт іншою мовою), були вилучені. Після цього лишилося 35 615 роликів у 23 ранжованих мовах із 13,8 мільйона слововживань. Медіанний ролик триває 81 секунду. 35 600 із них із YouTube, 8 із TikTok і 7 з Instagram.
Слова. Кожен транскрипт розбито на слова за пробілами та пунктуацією, зведено до нижнього регістру, цифри вилучено. Кожне слово шукається в частотному списку своєї мови, побудованому з wordfreq 3.1.1 (Speer, 2022): 25 000 найчастіших словоформ, згрупованих за лемою за допомогою simplemma (інші інструменти для арабської, івриту та азійських мов) і впорядкованих за сумарною частотою кожної леми. Форми, яких немає у списку, лематизуються через simplemma як запасний варіант. Власні назви (з великої літери, не на початку речення, відсутні у списку) та маргінальні слова на кшталт uh, mhm і haha рахуються як знайомі, так само як у Nation (2006) та Webb і Rodgers (2009). Німецька пише всі іменники з великої літери, а гінді й арабська не мають великих літер, тож ці мови не отримують поблажки на власні назви. В англійській половинки скорочень рахуються як повні слова (didn't рахується як did і not).
Числа. Покриття це частка слововживань у ролику, чия лема входить до перших N. Відсотки вище це медіани по роликах. Для показників «ролики на 95%» точний поріг кожного ролика обчислено з його власних рангів слів, тож інтерполяції немає. Показник «типовий ролик сягає 95% при» це найменший обсяг словника, при якому медіанний ролик долає 95%.
Без рангу. Префікси івриту (ve-, ha-, be-, le-) не відокремлюються, тож знайомі слова рахуються як незнайомі. Тамільські транскрипти це розмовна тамільська, а список це писемна тамільська. Японська, китайська та корейська пораховані лише за повнозначними словами, а в'єтнамська за складами, тож їхні числа не порівнянні з рештою. Щоб мова потрапила в ранжування, потрібно щонайменше 300 роликів. У норвезької їх 449; у кожної іншої ранжованої мови понад 1000. Турецький список має лише 9088 лем, тож для турецької графіки обриваються на 8000 словах, а «10 000+» означає, що типовий ролик не сягає 95% навіть із цілим списком.
Відомі викривлення. Числа описують транскрипти, а не звук, тож помилки розпізнавання мовлення теж рахуються як слова. Ідеальне знання перших N слів це ідеалізований випадок, а ідіоми не враховані як цілі одиниці. Рівень CEFR це судження моделі про транскрипт. І каталог дібраний для тих, хто вчить мову: у ньому переважають ролики з чіткою вимовою та широкою привабливістю, тож це не випадкова вибірка всього, що є на YouTube чи TikTok.
Користуйся цими даними
Ти можеш вільно використовувати графіки й числа з цієї сторінки у своїх текстах, викладанні чи дослідженні. Будь ласка, постав посилання на цю сторінку як джерело.
| Мова | Ролики | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% при |
|---|---|---|---|---|---|---|---|
| Данська | 1122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5292 |
| Англійська | 2002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4462 |
| Шведська | 1325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6768 |
| Нідерландська | 1841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7109 |
| Французька | 1961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5804 |
| Норвезька | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9478 |
| Іспанська | 2195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6781 |
| Португальська | 1865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6121 |
| Румунська | 1602 | 81,4% | 87,0% | 92,5% | 25,3% | 5,8% | 9586 |
| Есперанто | 1007 | 80,0% | 86,3% | 92,3% | 28,6% | 4,5% | 10 000+ |
| Італійська | 1880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9269 |
| Турецька | 1322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10 000+ † |
| Німецька | 1933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10 000+ |
| Грецька | 1796 | 78,0% | 83,5% | 89,0% | 6,7% | 1,0% | 10 000+ |
| Гінді | 1417 | 77,2% | 82,4% | 88,3% | 6,6% | 1,2% | 10 000+ |
| Арабська | 1916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10 000+ |
| Польська | 1503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10 000+ |
| Індонезійська | 1582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10 000+ |
| Чеська * | 1239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10 000+ |
| Фінська * | 1565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10 000+ |
| Угорська * | 1732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10 000+ |
| Російська * | 1305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10 000+ |
| Українська * | 1056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10 000+ |
Стовпці 1000, 2000 і 5000: медіанна частка слововживань у ролику, покрита першими 1000, 2000 чи 5000 лемами. 95%+ і 98%+: частка роликів, у яких той, хто знає перші 5000 лем, знає щонайменше 95% або 98% слів. 95% при: обсяг словника, при якому медіанний ролик долає 95% (10 000+ означає, що не в межах 10 000). * Нижня межа: 9% або більше слів типового ролика не вдалося зіставити зі списком, тож реальне покриття вище. † Турецький список має лише 9088 лем: типовий турецький ролик не сягає 95% навіть із цілим списком.
Джерела
- Hu, M. H.-c., & Nation, I. S. P. (2000). Unknown vocabulary density and reading comprehension. Reading in a Foreign Language, 13(1), 403-430. doi.org/10.64152/10125/66973 (повний текст безкоштовно)
- Laufer, B. (1989). What percentage of text-lexis is essential for comprehension? In C. Lauren & M. Nordman (Eds.), Special language: From humans thinking to thinking machines (pp. 316-323). Multilingual Matters. Запис
- Nation, I. S. P. (2006). How large a vocabulary is needed for reading and listening? The Canadian Modern Language Review, 63(1), 59-82. doi.org/10.3138/cmlr.63.1.59, безкоштовний PDF
- Speer, R. (2022). wordfreq v3.0 [дані та програмне забезпечення]. Zenodo. doi.org/10.5281/zenodo.7199437. У цьому дослідженні використано реліз 3.1.1 із github.com/rspeer/wordfreq.
- van Zeeland, H., & Schmitt, N. (2013). Lexical coverage in L1 and L2 listening comprehension: The same or different from reading comprehension? Applied Linguistics, 34(4), 457-479. doi.org/10.1093/applin/ams074
- Webb, S., & Rodgers, M. P. H. (2009). The lexical coverage of movies. Applied Linguistics, 30(3), 407-427. doi.org/10.1093/applin/amp010
Починай дивитися
Обери мову і починай стрічку. Справжня мова носіїв, оцінена за складністю. Без тестів, без реєстрації.
Обери мовуЩо почитати далі
Зрозумілий вхід для початківців
Зрозумілий вхід працює лише тоді, коли ти вже розумієш, про що мова. Christian Lauer розповідає, як швидко дійти до цього рівня і як зрозуміти, що ти вже там.
Як перестати перекладати подумки: чому розуміння йде перед мовленням
Ти перестаєш перекладати подумки тоді, коли мозок отримує стільки зрозумілої мови, що переклад стає непотрібним. Це не трюк і не сила волі, а години слухання справжнього мовлення, яке ти здебільшого розумієш.
Чому зрозумілий ввід працює для тих, хто вчить китайську
Зрозумілий ввід працює для китайської тому, що головні перешкоди цієї мови (тони, ієрогліфічна письменність і велика відстань між розмовним та письмовим стилем) засвоюються на слух, а не за правилами. Граматичні вправи і картки вчать упізнавати китайську в ізоляції, а зрозумілий ввід вчить упізнавати її такою, якою її справді вимовляють носії.