Kolik slov potřebuješ, abys rozuměl videím od rodilých mluvčích?
S 5 000 nejčastějšími anglickými slovy znáš v typickém rodilém klipu 95,6 % slov. Španělština potřebuje k 95 % asi 6 800 slov a u 13 z 23 jazyků nestačí ani 10 000. Data z 35 615 rodilých klipů, podle jazyka a podle úrovně.
Chief Language Geek @ Reelang
Když znáš 5 000 nejčastějších anglických slov, v typickém anglickém videoklipu od rodilého mluvčího znáš 95,6 % slov a 58,4 % klipů se dostane na 95 %, tedy na hranici, u které podle výzkumů poslechu studující rozumějí dobře. Ve španělštině je potřeba asi 6 800 slov, aby se typický klip dostal na 95 %, a u 13 z 23 měřených jazyků nestačí ani 10 000 slov.
Čísla pocházejí z 35 615 rodilých klipů ve 23 jazycích z katalogu Reelang. Každé slovo jsme porovnali s frekvenčním seznamem daného jazyka. Vyber si níže jazyk a velikost slovní zásoby a uvidíš, co ti to přinese.
Prvních 1 000 slov odvede 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 vzorci 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, na kterých u poslechu záleží, leží právě v těch posledních bodech. Dvě z nich se ve výzkumu o potřebné slovní zásobě objevují znovu a znovu:
- 95 %, tedy jedno neznámé slovo z dvaceti. Batia Laufer je navrhla pro čtení v roce 1989. Pro poslech zjistili van Zeeland a Schmitt (2013), že většina posluchačů si poradila už při 90 % a že při 95 % rozuměli posluchači v druhém jazyce dobře a s mnohem menšími rozdíly mezi sebou.
- 98 %, tedy jedno neznámé slovo z padesáti. Hu a Nation (2000) zjistili, že studující, kteří četli beletrii sami, potřebovali přibližně tolik k dostatečnému porozumění.
Při 150 slovech za minutu, což je běžné tempo řeči, znamená 95 % asi sedm neznámých slov každou minutu (Nation, 2006). Při 98 % jsou to tři. Ten rozdíl si můžeš vyzkoušet v ukázce níže. Používá skutečné věty z klipů ve studii a zakrývá každé slovo, které není mezi zvoleným počtem nejčastějších slov.
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 štítek A2.
Angličtina a španělština v číslech
Angličtina. Typický klip se dostane na 90 % při 2 021 slovech, na 95 % při 4 462 slovech a na 98 % při 9 403 slovech. Se 3 000 slovy je 24,9 % anglických klipů na 95 % a výš. S 5 000 slovy je to 58,4 % a 15,2 % je na 98 % a výš.
Španělština. Typický klip se dostane na 90 % při 2 754 slovech a na 95 % při 6 781 slovech. Na 98 % se do 10 000 slov nedostane. Se 3 000 slovy je 10,8 % španělských klipů na 95 % a výš. S 5 000 slovy je to 32,0 %.
Takže u španělštiny najde člověk se 3 000 slovy zhruba jeden klip z deseti, kde zná 95 % slov. To už je slušný materiál k učení, 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 ale není totéž jako zachytit je. Mluvčí v tom klipu mluví mediánem 243 slov za minutu, mnohem rychleji než nahrávka v učebnici. Pokrytí slovní zásoby ti řekne, jestli bys rozuměl 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 přechod 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 v klipu víc neznámého a každý další tisíc má větší cenu. Zčásti za to může jazyk. Zčásti to, jak se slova počítají, a to je potřeba vysvětlit, než začneš dva jazyky srovnávat.
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 tvary, které seznam nedokázal přiřadit k žádnému lemmatu. Spousta 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 jdou složeniny proti němčině, nizozemštině a severským jazykům. Německá složenina jako Küchenschrank (kuchyňská skříňka) se počítá jako neznámá, pokud v seznamu není celá, i když obě části znáš.
Štítek úrovně se slovní zásobou skoro nesouvisí
Každý klip v katalogu má úroveň CEFR, kterou určí model podle přepisu. Tady jsou sloučené do pěti pásem, od A1 (A0 se počítá jako A1) po C1 (C2 se počítá jako C1). Kdyby štítek sledoval 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 95 % slov ve 30,2 % klipů A1, 20,6 % klipů A2, 22,6 % klipů B1, 15,5 % klipů B2 a 4,5 % klipů C1. Částečně za to může 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 s nejnižším pokrytím při 2 000 slovech jsou asi dvě třetiny recepty, recenze jídla nebo ochutnávky svačin a 21 z nich má štítek 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 nízký štítek. Podstatná jména jednoduchá nejsou. V anglickém seznamu je garlic slovo číslo 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 se štítkem B2: 96,9 % jeho slov je mezi prvními 2 000 a hranici 95 % překročí při 1 300 slovech. Druhý je recept do pomalého hrnce se štítkem A2: 72,3 % jeho slov je mezi prvními 2 000 a 95 % překročí až při 11 551 slovech, což je pozice slova tablespoon.
Ani ten trailer není snadný, ale z jiného důvodu: jeho mluvčí mluví mediánem 215 slov za minutu. Štítek úrovně smíchá tempo, gramatiku a slovní zásobu do jednoho písmene a právě slovní zásoba se v tom ztrácí. Pokud znáš mezi 2 000 a 5 000 slovy, všímej si u klipu i tématu, nejen úrovně: jídlo, vaření a povídání o produktech používají hodně slov z hlubokých pater seznamu.
Liší se i varianty
Arabština se měří zvlášť, s vlastním frekvenčním seznamem pro každý dialekt. Ostatní jazyky mají jeden seznam pro všechny varianty. Při 2 000 slovech je typický klip v egyptské arabštině pokrytý z 86,1 %, irácký z 79,6 % a marocký z 72,5 %. U marocké arabštiny není 9,5 % slov typického klipu v jejím seznamu vůbec, takže část toho rozdílu jde na vrub seznamu. Ve francouzštině vycházejí quebecké klipy na 90,6 % oproti 87,6 % u klipů z Francie. Brazilská portugalština je na 87,4 %, evropská na 80,3 %, ale filtry prošlo jen 61 evropských portugalských klipů a hodnotí se proti jinému seznamu, takže to ber s rezervou.
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 k podobným číslům u filmových scénářů: 3 000 rodin plus vlastní jména a okrajová slova na 95,76 % a 6 000 rodin plus totéž navíc na 98,15 %.
Moje čísla pro angličtinu jsou vyšší: 4 462 slov, aby typický klip dosáhl 95 %, a 9 403 na 98 %. Když se všechny anglické klipy vezmou jako jeden dlouhý text, 5 000 slov pokryje 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 z psaných textů. Běžná mluvená slova v něm sedí níž, než bys čekal: 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 to znamená, když se učíš jazyk
Prvních 2 000 nebo 3 000 slov se vyplatí naučit cíleně, s balíčkem nebo kurzem seřazeným podle frekvence. V tu chvíli je reálná část rodilých klipů dostupná 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. Kdo umí 3 000 španělských slov, zvládne scénku s kočkou výše a přesto se ztratí v receptu na masové kuličky, i když obojí má štítek A2. A u češtiny, finštiny, maďarštiny, ruštiny a ukrajinštiny počítej s tím, že zdejší čísla vypadají hůř, než to ve skutečnosti je: velká část toho, co se počítá jako neznámé, je slovo, které znáš, jen s koncovkou, kterou jsi ještě nepotkal.
Jestli si chceš trénovat s podobnými klipy, stránky španělština, angličtina a němčina nabízejí rodilé klipy podle úrovně, se stejnými titulky po slovech jako klipy na této stránce. Víc o tom, proč porozumění přichází dřív než mluvení: jak si přestat překládat v hlavě. Kolik hodin videa to zabere, jazyk po jazyce, najdeš v článku jak dlouho trvá naučit se jazyk, i s kalkulačkou pro tvou úroveň a denní čas.
Jak jsem to měřil
Klipy. Všechny klipy byly 29. září 2026 v katalogu Reelang a v rotaci: veřejně zobrazené, s řečí, rodilý obsah (ne jazykové lekce), nedabované a v jednom jazyce. Pro každý jazyk jsem vybral až 500 klipů na úroveň CEFR a každou úroveň zvážil podle jejího podílu v katalogu, takže čísla popisují katalog jako celek. Vyřadil jsem klipy s méně než 50 slovy, klipy, kde se jeden řádek titulků opakuje (víc než 30 % řádků), klipy rychlejší než 330 slov za minutu stopáže a klipy, kde víc než 35 % slov není v seznamu daného jazyka (obvykle přepis ve špatném jazyce). Zbylo 35 615 klipů ve 23 hodnocených jazycích s 13,8 milionu slov. Medián klipu má 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 (pro arabštinu, hebrejštinu a asijské jazyky jiné nástroje) a seřazených podle celkové frekvence každého lemmatu. Tvary, které v seznamu nejsou, se záložně lemmatizují přes simplemma. Vlastní jména (s velkým písmenem, ne na začátku věty, ne v seznamu) a okrajová slova jako uh, mhm a haha se počítají jako známá, stejně jako u Nationa (2006) a Webba a Rodgerse (2009). Němčina píše s velkým písmenem každé podstatné jméno a hindština a 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 počítá z vlastních pozic slov každého klipu, takže se nic neinterpoluje. Údaj „typický klip dosáhne 95 % při“ je nejmenší velikost slovní zásoby, při které mediánový klip překročí 95 %.
Nehodnocené. 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 v plnovýznamových slovech a vietnamština ve slabikách, takže jejich čísla nejde srovnávat se zbytkem. Aby byl jazyk hodnocený, potřebuje aspoň 300 klipů. Norština má 449, každý další hodnocený jazyk má víc než 1 000. Turecký seznam má jen 9 088 lemmat, takže u turečtiny grafy končí na 8 000 slovech 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 odhad modelu podle přepisu. A katalog je vybraný pro studující: kloní se ke klipům se srozumitelnou řečí a širokým záběrem, takže to není náhodný vzorek všeho na YouTube nebo TikToku.
Použij tato data
Grafy a čísla z této stránky můžeš klidně použít ve svých textech, při výuce nebo ve výzkumu. Prosím, odkaž 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, ve kterých 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 se to do 10 000 nestihne). * Spodní hranice: 9 % nebo více 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 (volně dostupný 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, PDF zdarma
- 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 úvodního testu, bez registrace.
Vyber si jazykDalší čtení
Srozumitelný vstup pro začátečníky
Srozumitelný vstup funguje, až když dokážeš sledovat, o čem se mluví. Christian Lauer radí, jak se tam dostat rychle a jak poznat, že už tam jsi.
Jak přestat překládat v hlavě: proč porozumění předchází mluvení
Překládat v hlavě přestaneš tak, že mozku dáš tolik srozumitelné mluvené řeči, až překlad přestane potřebovat. Není to trik ani otázka vůle, ale hodiny poslechu skutečné řeči, které z větší části rozumíš.
Proč srozumitelný vstup funguje při učení mandarínštiny
Největší překážky mandarínštiny, tóny, znaková gramotnost a propast mezi mluveným a psaným jazykem, se nejdřív učíš uchem, teprve potom podle pravidel. Proto u čínštiny funguje srozumitelný vstup lépe než gramatická cvičení a kartičky.