Kolik slov potřebuješ, abys rozuměl/a videím od rodilých mluvčích?
S 5 000 nejčastějšími anglickými slovy znáš v typickém klipu od rodilého mluvčího 95,6 % slov. Španělština potřebuje k 95 % asi 6 800 slov a ve 13 z 23 jazyků nestačí ani 10 000. Data z 35 615 klipů, podle jazyka i úrovně.
Chief Language Geek @ Reelang
Když znáš 5 000 nejčastějších anglických slov, v typickém anglickém klipu od rodilého mluvčího je 95,6 % slov, která znáš, a 58,4 % klipů dosáhne 95 %, tedy úrovně, při které podle výzkumů poslechu studující rozumí dobře. Ve španělštině potřebuje typický klip k 95 % asi 6 800 slov a ve 13 z 23 jazyků, které jsem měřil, nestačí ani 10 000 slov.
Tato čísla pocházejí z 35 615 klipů od rodilých mluvčích ve 23 jazycích z katalogu Reelang. Každé slovo jsem porovnal s frekvenčním seznamem daného jazyka. Vyber si níže jazyk a velikost slovní zásoby a uvidíš, co ti to přinese.
Prvních 1 000 slov udělá většinu práce
Frekvence slov je hodně nevyvážená. Pár stovek slov (the, and, is, you, que, de) tvoří velkou část všeho, co kdo řekne, a každé další slovo v pořadí se objevuje méně často. Tomuto jevu se říká Zipfův zákon a platí ve všech zdejších jazycích.
V 18 jazycích, které můžu seřadit bez výhrad, pokrývá typický klip z 80,7 % prvních 1 000 slov, z 86,7 % prvních 2 000 a z 92,4 % prvních 5 000. První tisíc slov ti dá čtyři známá slova z pěti. Další čtyři tisíce přidají asi dvanáct bodů.
Hranice, které jsou pro poslech důležité, leží právě v těch posledních bodech. Dvě z nich se ve výzkumu o potřebné slovní zásobě objevují znovu a znovu:
- 95 %, jedno neznámé slovo z dvaceti. Batia Laufer to navrhla pro čtení v roce 1989. Pro poslech van Zeeland a Schmitt (2013) zjistili, že většina posluchačů si poradila už při 90 % a že při 95 % rozuměli lidé ve druhém jazyce dobře a s mnohem menšími rozdíly mezi sebou.
- 98 %, jedno neznámé slovo z padesáti. Hu a Nation (2000) zjistili, že studující, kteří četli beletrii sami, potřebovali k dostatečnému porozumění zhruba tolik.
Při 150 slovech za minutu, což je běžné tempo řeči, znamená 95 % asi sedm neznámých slov každou minutu (Nation, 2006). 98 % znamená tři. Ten rozdíl si můžeš osahat v ukázce níže. Používá skutečné věty z klipů ve studii a začerní každé slovo, které není mezi nejčastějšími slovy, která si zvolíš.
Při 2 000 slovech je věta o masových kuličkách známá z 58,3 %: albóndigas, parmesano, rallado a orégano v seznamu vůbec nejsou a perejil (petržel) je na pozici 13 520. Věta o kočce je při stejných 2 000 slovech známá z 96,2 %. Oba klipy jsou španělské a oba mají označení A2.
Angličtina a španělština v číslech
Angličtina. Typický klip dosáhne 90 % při 2 021 slovech, 95 % při 4 462 slovech a 98 % při 9 403 slovech. S 3 000 slovy je 24,9 % anglických klipů na 95 % nebo výš. S 5 000 slovy je to 58,4 % a 15,2 % je na 98 % nebo výš.
Španělština. Typický klip dosáhne 90 % při 2 754 slovech a 95 % při 6 781 slovech. 98 % nedosáhne ani při 10 000 slovech. S 3 000 slovy je 10,8 % španělských klipů na 95 % nebo výš. S 5 000 slovy je to 32,0 %.
Takže ve španělštině najde člověk s 3 000 slovy asi jeden klip z deseti, kde je 95 % slov známých. To je slušná zásoba, ze které se dá učit, protože slova, která ještě neznáš, se objevují obklopená těmi, která znáš. Tenhle kolumbijský klip je jedním z nich: 88,4 % jeho slov je mezi prvními 1 000 a 96,3 % mezi prvními 2 000.
Znát slova není totéž jako zachytit je. Mluvčí v tomhle klipu mluví v mediánu 243 slov za minutu, tedy mnohem rychleji než nahrávka v učebnici. Pokrytí slovní zásoby ti řekne, jestli bys rozuměl/a přepisu. Neřekne ti, jestli stíháš tempo.
Ploché a strmé jazyky
Křivky nemají všechny stejný tvar. V dánštině, švédštině a nizozemštině pokrývá prvních 1 000 slov už 84,4 % až 86,5 % typického klipu a posun z 1 000 na 5 000 slov přidá jen 8,3 až 9,3 bodu. Angličtina, francouzština, španělština, portugalština a italština přidají ve stejném rozsahu 11,5 až 12,6 bodu. Nejstrmější křivky má indonéština (+20,8), ukrajinština (+18,3), arabština (+18,1), ruština (+16,5), finština (+15,3), turečtina (+15,2) a polština (+14,3).
Strmá křivka znamená, že po prvním tisíci slov zůstává z klipu víc neznámého a každý další tisíc má větší cenu. Část toho dělá jazyk. Část dělá způsob, jak se slova počítají, a to je potřeba vysvětlit, než budeš dva jazyky porovnávat.
Zdejší seznamy jsou lemmatizované: dije, dijo i decir se počítají jako jedno slovo, decir. To je vůči španělštině férové, protože má hodně slovesných tvarů. Lemmatizátor ale funguje jen tehdy, když tvar rozpozná. V češtině, finštině, maďarštině, ruštině a ukrajinštině je 9,0 % až 10,8 % slov v typickém klipu tvarů, které seznam nedokázal přiřadit k žádnému lemmatu. Mnohé z nich jsou běžná slova s pádovou koncovkou, kterou nástroj neodstranil. Tady se počítají jako neznámá, takže u těchto pěti jazyků jsou čísla spodní hranicí: skutečné pokrytí je vyšší. V tabulce níže jsou označeny hvězdičkou.
Podobně pracují proti němčině, nizozemštině a severským jazykům složeniny. Německá složenina jako Küchenschrank (kuchyňská skříňka) se počítá jako neznámá, pokud celá složenina není v seznamu, i když obě části znáš.
Označení úrovně slovní zásobu skoro nemění
Každý klip v katalogu má úroveň CEFR, kterou určí model podle přepisu. Tady jsou seskupené do pěti pásem, od A1 (A0 se počítá jako A1) po C1 (C2 se počítá jako C1). Kdyby označení sledovalo slovní zásobu, vyšší úrovně by potřebovaly víc slov. U prvních 2 000 slov to skoro neplatí. Medián napříč jazyky (A1 má dost klipů v 11 z nich, C1 ve 20) říká, že prvních 2 000 slov pokrývá 84,0 % klipu A1, 84,0 % u A2, 85,2 % u B1, 86,1 % u B2 a 84,1 % u C1.
Úroveň se projeví až na horním konci. S 5 000 slovy bys znal/a 95 % slov ve 30,2 % klipů A1, 20,6 % klipů A2, 22,6 % klipů B1, 15,5 % klipů B2 a 4,5 % klipů C1. Část vysvětlení je délka: medián klipu C1 má ve vzorku 338 slov, medián klipu A1 jen 81. Krátký klip má méně příležitostí použít vzácné slovo.
Klipy s nejnižším pokrytím jsou většinou o jídle. Z 25 anglických klipů ve vzorku s nejnižším pokrytím při 2 000 slovech jsou asi dvě třetiny recepty, recenze jídla nebo ochutnávky svačin a 21 jich má označení A1 nebo A2. Ve španělštině je 11 z nejnižších 25 o jídle a tři jsou dětské písničky. Gramatika v receptu je jednoduchá („přidej česnek, zamíchej, hotovo“), proto dostane nízké označení. Podstatná jména ne. V anglickém seznamu je garlic slovo 6 395 a tablespoon 11 551. Ve španělštině je ajo na 6 605 a sartén (pánev) na 11 125.
Tady jsou dva anglické klipy. První je filmový trailer s označením B2: 96,9 % jeho slov je mezi prvními 2 000 a 95 % překročí při 1 300 slovech. Druhý je recept do pomalého hrnce s označením A2: 72,3 % jeho slov je mezi prvními 2 000 a 95 % překročí až při 11 551 slovech, což je pozice slova tablespoon.
Ani trailer není snadný, ale z jiného důvodu: jeho mluvčí mluví v mediánu 215 slov za minutu. Označení úrovně míchá tempo, gramatiku a slovní zásobu do jednoho písmene a ztrácí se při tom právě ta slovní zásoba. Pokud znáš mezi 2 000 a 5 000 slovy, dívej se kromě úrovně i na téma klipu: jídlo, vaření a povídání o produktech používají hodně slov z hlubin seznamu.
Liší se i varianty
Arabština se měří zvlášť podle frekvenčního seznamu pro každý dialekt. Ostatní jazyky mají jeden seznam pro všechny své varianty. Při 2 000 slovech je typický klip v egyptské arabštině pokrytý z 86,1 %, irácký ze 79,6 % a marocký ze 72,5 %. U marocké arabštiny není 9,5 % slov v typickém klipu v jejím seznamu vůbec, takže část toho rozdílu jde na vrub seznamu. Ve francouzštině vycházejí quebecké klipy na 90,6 % proti 87,6 % u klipů z Francie. Brazilská portugalština je na 87,4 %, evropská na 80,3 %, ale filtry prošlo jen 61 klipů v evropské portugalštině a hodnotí se podle jiného seznamu, takže k tomuto číslu přistupuj opatrně.
Jak to vychází proti Nationovu odhadu
Nejznámější číslo pro mluvenou angličtinu pochází z práce Paula Nationa z roku 2006 „How large a vocabulary is needed for reading and listening?“. Na korpusu mluvené novozélandské angličtiny zjistil, že 3 000 slovních rodin plus vlastní jména dává přes 95 % pokrytí a že na 98 % je potřeba 6 000 až 7 000 slovních rodin. Webb a Rodgers (2009) došli u filmových scénářů k podobným číslům: 3 000 rodin plus vlastní jména a okrajová slova pro 95,76 % a 6 000 rodin plus stejné doplňky pro 98,15 %.
Moje čísla pro angličtinu jsou vyšší: 4 462 slov, aby typický klip dosáhl 95 %, a 9 403 pro 98 %. Když vezmeme všechny anglické klipy dohromady jako jeden dlouhý text, pokrývá 5 000 slov 95,1 %. Rozdíl má tři důvody a žádný z nich neznamená, že je některá studie špatně:
- Rodiny jsou větší než lemmata. Slovní rodina spojuje happy, unhappy, happiness a happily do jedné jednotky. Seznam lemmat je počítá jako čtyři. Takže 3 000 rodin odpovídá většímu počtu lemmat.
- Seznam je postavený hlavně na psaném textu. Běžná mluvená slova v něm leží níž, než bys čekal/a: alright je slovo 3 102, kinda 2 333 a bye 3 273.
- Krátká videa drží jedno téma. Dvouminutový recept utratí většinu slov za slovní zásobu jednoho tématu, zatímco dlouhý rozhovor přeskakuje a víc opakuje obecná slova.
Co z toho plyne, když se učíš jazyk
Prvních 2 000 nebo 3 000 slov se vyplatí učit se cíleně, s balíčkem nebo kurzem seřazeným podle frekvence. V tu chvíli je reálná část klipů od rodilých mluvčích v dosahu na 95 % a odtud můžeš spoustu nových slov pochytit z kontextu místo ze seznamu. Průvodce pro začátečníky od Christiana Lauera popisuje, jak se tam dostat rychle.
Potom vybírej klipy podle tématu, ne jen podle úrovně. Člověk se 3 000 španělskými slovy zvládne scénku s kočkou výše a přesto se ztratí v receptu na masové kuličky, i když obojí má označení A2. A u češtiny, finštiny, maďarštiny, ruštiny a ukrajinštiny počítej s tím, že zdejší čísla působí hůř, než jaká realita je: velká část toho, co se počítá jako neznámé, je slovo, které znáš, jen s koncovkou, kterou jsi ještě nepotkal/a.
Pokud si chceš trénovat na podobných klipech, stránky španělština, angličtina a němčina nabízejí klipy od rodilých mluvčích podle úrovně, se stejnými titulky slovo po slovu jako klipy na této stránce. Víc o tom, proč porozumění přichází dřív než mluvení: jak si přestat překládat v hlavě.
Jak jsem to měřil
Klipy. Všechny klipy byly 29. září 2026 v katalogu Reelang a v rotaci: veřejně zobrazené, s mluveným slovem, obsah od rodilých mluvčích (ne jazykové lekce), nedabované a v jednom jazyce. Pro každý jazyk jsem navzorkoval až 500 klipů na úroveň CEFR a každou úroveň zvážil podle jejího podílu v katalogu, aby čísla popisovala katalog jako celek. Vyřazeny byly klipy s méně než 50 slovy, klipy, kde se jeden řádek titulků opakuje (víc než 30 % řádků), klipy rychlejší než 330 slov za minutu trvání a klipy, kde víc než 35 % slov není v seznamu daného jazyka (obvykle přepis ve špatném jazyce). Poté zbylo 35 615 klipů ve 23 hodnocených jazycích s 13,8 milionu slov. Medián klipu je dlouhý 81 sekund. 35 600 z nich je z YouTube, 8 z TikToku a 7 z Instagramu.
Slova. Každý přepis je rozdělený na slova podle mezer a interpunkce, převedený na malá písmena a bez číslic. Každé slovo se hledá ve frekvenčním seznamu svého jazyka, postaveném z wordfreq 3.1.1 (Speer, 2022): 25 000 nejčastějších slovních tvarů, seskupených podle lemmatu nástrojem simplemma (jiné nástroje pro arabštinu, hebrejštinu a asijské jazyky) a seřazených podle celkové frekvence každého lemmatu. Tvary mimo seznam se lemmatizují pomocí simplemma jako záloha. Vlastní jména (s velkým písmenem, ne na začátku věty, mimo seznam) a okrajová slova jako uh, mhm a haha se počítají jako známá, stejně jako u Nationa (2006) a u Webba a Rodgerse (2009). Němčina píše s velkým písmenem každé podstatné jméno a hindština ani arabština velká písmena nemají, takže tyto jazyky bonus za vlastní jména nedostávají. V angličtině se poloviny stažených tvarů počítají jako celé slovo (didn't se počítá jako did a not).
Čísla. Pokrytí je podíl slov v klipu, jejichž lemma patří mezi prvních N. Procenta výše jsou mediány napříč klipy. U údajů „klipy na 95 %“ se přesná hranice každého klipu počítá z jeho vlastních pozic slov, takže se nic neinterpoluje. Údaj „typický klip dosáhne 95 % při“ je nejmenší velikost slovní zásoby, při které mediánový klip překročí 95 %.
Bez hodnocení. Hebrejské předpony (ve-, ha-, be-, le-) se neoddělují, takže známá slova se počítají jako neznámá. Tamilské přepisy jsou mluvená tamilština, ale seznam je psaná tamilština. Japonština, čínština a korejština se počítají jen ve významových slovech a vietnamština ve slabikách, takže jejich čísla se nedají porovnávat se zbytkem. Aby byl jazyk hodnocen, potřebuje aspoň 300 klipů. Norština má 449; každý další hodnocený jazyk má přes 1 000. Turecký seznam má jen 9 088 lemmat, takže u turečtiny grafy končí u 8 000 slov a „10 000+“ znamená, že typický klip nedosáhne 95 % ani s celým seznamem.
Známé zkreslení. Čísla popisují přepisy, ne zvuk, takže chyby rozpoznávání řeči se počítají jako slova. Dokonalá znalost prvních N slov je ideální případ a idiomy se nepočítají jako jednotky. Úroveň CEFR je úsudek modelu nad přepisem. A katalog je vybraný pro studující: naklání se ke klipům se srozumitelnou řečí a širokým záběrem, takže to není náhodný vzorek všeho, co je na YouTube nebo TikToku.
Použij tato data
Grafy a čísla z této stránky můžeš použít ve vlastních textech, výuce nebo výzkumu. Odkaž prosím na tuto stránku jako na zdroj.
| Jazyk | Klipy | 1 000 | 2 000 | 5 000 | 95 %+ | 98 %+ | 95 % při |
|---|---|---|---|---|---|---|---|
| dánština | 1 122 | 86,5 % | 91,1 % | 94,8 % | 47,0 % | 8,4 % | 5 292 |
| angličtina | 2 002 | 83,7 % | 89,9 % | 95,6 % | 58,4 % | 15,2 % | 4 462 |
| švédština | 1 325 | 85,6 % | 89,8 % | 94,0 % | 37,6 % | 5,6 % | 6 768 |
| nizozemština | 1 841 | 84,4 % | 89,0 % | 93,7 % | 32,2 % | 3,5 % | 7 109 |
| francouzština | 1 961 | 82,7 % | 88,4 % | 94,2 % | 40,1 % | 5,8 % | 5 804 |
| norština | 449 | 83,5 % | 88,1 % | 93,0 % | 25,0 % | 3,8 % | 9 478 |
| španělština | 2 195 | 81,6 % | 87,3 % | 93,5 % | 32,0 % | 5,4 % | 6 781 |
| portugalština | 1 865 | 81,4 % | 87,2 % | 94,0 % | 38,4 % | 7,3 % | 6 121 |
| rumunština | 1 602 | 81,4 % | 87,0 % | 92,5 % | 25,3 % | 5,8 % | 9 586 |
| esperanto | 1 007 | 80,0 % | 86,3 % | 92,3 % | 28,6 % | 4,5 % | 10 000+ |
| italština | 1 880 | 79,7 % | 85,6 % | 91,9 % | 21,2 % | 2,7 % | 9 269 |
| turečtina | 1 322 | 77,1 % | 85,6 % | 92,3 % | 25,4 % | 5,5 % | 10 000+ † |
| němčina | 1 933 | 80,0 % | 84,8 % | 90,3 % | 11,3 % | 1,1 % | 10 000+ |
| řečtina | 1 796 | 78,0 % | 83,5 % | 89,0 % | 6,7 % | 1,0 % | 10 000+ |
| hindština | 1 417 | 77,2 % | 82,4 % | 88,3 % | 6,6 % | 1,2 % | 10 000+ |
| arabština | 1 916 | 73,1 % | 82,2 % | 91,2 % | 17,8 % | 2,7 % | 10 000+ |
| polština | 1 503 | 73,9 % | 81,0 % | 88,2 % | 8,2 % | 1,0 % | 10 000+ |
| indonéština | 1 582 | 68,6 % | 80,6 % | 89,4 % | 10,4 % | 2,3 % | 10 000+ |
| čeština * | 1 239 | 73,4 % | 80,0 % | 86,8 % | 3,9 % | 0,5 % | 10 000+ |
| finština * | 1 565 | 71,7 % | 79,3 % | 87,0 % | 3,6 % | 0,8 % | 10 000+ |
| maďarština * | 1 732 | 71,7 % | 78,1 % | 84,5 % | 0,4 % | 0,0 % | 10 000+ |
| ruština * | 1 305 | 70,0 % | 77,8 % | 86,5 % | 2,9 % | 0,1 % | 10 000+ |
| ukrajinština * | 1 056 | 65,4 % | 73,4 % | 83,7 % | 0,8 % | 0,0 % | 10 000+ |
Sloupce 1 000, 2 000 a 5 000: mediánový podíl slov v klipu pokrytý prvními 1 000, 2 000 nebo 5 000 lemmaty. 95 %+ a 98 %+: podíl klipů, v nichž člověk se znalostí prvních 5 000 lemmat zná aspoň 95 % nebo 98 % slov. 95 % při: velikost slovní zásoby, při které mediánový klip překročí 95 % (10 000+ znamená, že ne do 10 000). * Spodní hranice: 9 % nebo víc slov v typickém klipu se nepodařilo přiřadit k seznamu, takže skutečné pokrytí je vyšší. † Turecký seznam má jen 9 088 lemmat: typický turecký klip nedosáhne 95 % ani s celým seznamem.
Zdroje
- 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 (volný plný text)
- 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. Záznam
- 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, volné PDF
- Speer, R. (2022). wordfreq v3.0 [data a software]. Zenodo. doi.org/10.5281/zenodo.7199437. Tato studie použila verzi 3.1.1 z 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
Začni sledovat
Vyber si jazyk a spusť feed. Skutečná řeč rodilých mluvčích, ohodnocená podle toho, jak těžko se sleduje. Bez kvízu, bez registrace.
Vyber si jazykDalší čtení
Srozumitelný vstup pro začátečníky
Srozumitelný vstup funguje až ve chvíli, kdy dokážeš sledovat, o čem se mluví. Christian Lauer radí, jak se do toho bodu dostat rychle a jak poznáš, že už tam jsi.
Jak přestat překládat v hlavě: proč porozumění předchází mluvení
Překládat v hlavě přestaneš tak, že mozku dodáš tolik srozumitelné řeči, až překlad prostě nebude potřebovat. Není to trik ani otázka vůle, ale objem: hodiny poslechu skutečné řeči, které z větší části rozumíš, dokud si mozek nepostaví přímou cestu od zvuku k významu.
Proč srozumitelný vstup funguje při učení čínštiny
Srozumitelný vstup funguje u čínštiny proto, že největší překážky jazyka, tóny, znakovou gramotnost a velký rozdíl mezi mluveným a psaným projevem, se učíš sluchem dřív než podle pravidel. Gramatická cvičení a kartičky tě naučí poznat čínštinu v izolaci. Srozumitelný vstup tě naučí poznat ji tak, jak ji rodilí mluvčí opravdu používají: přirozenou rychlostí, v kontextu a s nedotčenou tónovou i rytmickou melodií.