Combien de mots faut-il pour comprendre les vidéos natives ?
Avec les 5 000 mots anglais les plus fréquents, un clip natif typique contient 95,6 % de mots que tu connais. L’espagnol demande environ 6 800 mots pour atteindre 95 %, et dans 13 langues sur 23, même 10 000 ne suffisent pas. Données tirées de 35 615 clips natifs, par langue et par niveau.
Chief Language Geek @ Reelang
Si tu connais les 5 000 mots anglais les plus fréquents, un clip vidéo anglais natif typique contient 95,6 % de mots que tu connais, et 58,4 % des clips atteignent 95 %, le seuil auquel les études sur la compréhension orale constatent que les apprenants comprennent bien. L’espagnol demande environ 6 800 mots pour qu’un clip typique atteigne 95 %, et dans 13 des 23 langues mesurées, 10 000 mots ne suffisent pas.
Ces chiffres viennent de 35 615 clips natifs en 23 langues du catalogue Reelang, comptés mot par mot face à une liste de fréquence pour chaque langue. Choisis une langue et une taille de vocabulaire ci-dessous pour voir ce que ça donne.
Les 1 000 premiers mots font l’essentiel du travail
La fréquence des mots est très déséquilibrée. Quelques centaines de mots (the, and, is, you, que, de) représentent une grande part de tout ce qu’on dit, et chaque mot plus bas dans la liste apparaît moins souvent. Ce schéma s’appelle la loi de Zipf, et il se vérifie dans toutes les langues présentes ici.
Sur les 18 langues que je peux classer sans réserve, le clip typique est couvert à 80,7 % par les 1 000 premiers mots, à 86,7 % par les 2 000 premiers et à 92,4 % par les 5 000 premiers. Les mille premiers mots t’amènent à quatre mots connus sur cinq. Les quatre mille suivants ajoutent environ douze points.
Les seuils qui comptent pour l’écoute se nichent dans ces derniers points. Deux d’entre eux reviennent sans cesse dans la recherche sur le nombre de mots nécessaires :
- 95 %, soit un mot inconnu sur 20. Batia Laufer l’a proposé pour la lecture en 1989. Pour l’écoute, van Zeeland et Schmitt (2013) ont constaté que la plupart des auditeurs s’en sortaient déjà à 90 %, et qu’à 95 % les auditeurs en langue seconde comprenaient bien, avec beaucoup moins de variation entre eux.
- 98 %, soit un mot inconnu sur 50. Hu et Nation (2000) ont montré que des apprenants lisant de la fiction seuls avaient besoin d’environ ce niveau pour une compréhension correcte.
À 150 mots par minute, un débit de parole normal, 95 % représente environ sept mots inconnus par minute (Nation, 2006). 98 % en représente trois. Tu peux sentir cette différence dans la démo ci-dessous. Elle utilise de vraies phrases tirées de clips de l’étude et masque chaque mot qui ne fait pas partie des mots les plus fréquents que tu choisis.
Avec 2 000 mots, la phrase sur les boulettes est connue à 58,3 % : albóndigas, parmesano, rallado et orégano ne sont pas du tout dans la liste, et perejil (persil) occupe le rang 13 520. La phrase sur le chat est connue à 96,2 % avec les mêmes 2 000 mots. Les deux clips sont en espagnol et tous les deux sont étiquetés A2.
L’anglais et l’espagnol, en chiffres
Anglais. Le clip typique atteint 90 % à 2 021 mots, 95 % à 4 462 mots et 98 % à 9 403 mots. Avec 3 000 mots, 24,9 % des clips anglais sont à 95 % ou plus. Avec 5 000 mots, 58,4 % le sont, et 15,2 % sont à 98 % ou plus.
Espagnol. Le clip typique atteint 90 % à 2 754 mots et 95 % à 6 781 mots. Il n’atteint pas 98 % en deçà de 10 000 mots. Avec 3 000 mots, 10,8 % des clips espagnols sont à 95 % ou plus. Avec 5 000 mots, 32,0 % le sont.
Donc en espagnol, une personne qui connaît 3 000 mots peut trouver environ un clip sur dix où 95 % des mots lui sont familiers. C’est un vrai réservoir pour apprendre, car les mots encore inconnus apparaissent entourés de mots connus. Ce clip colombien en fait partie : 88,4 % de ses mots sont dans les 1 000 premiers et 96,3 % dans les 2 000 premiers.
Connaître les mots n’est pas la même chose que les attraper. Les personnes qui parlent dans ce clip ont un débit médian de 243 mots par minute, bien plus rapide qu’un enregistrement de manuel. La couverture lexicale te dit si tu pourrais comprendre la transcription. Elle ne te dit pas si tu peux suivre le rythme.
Langues plates et langues raides
Les courbes n’ont pas toutes la même forme. En danois, en suédois et en néerlandais, les 1 000 premiers mots couvrent déjà 84,4 % à 86,5 % d’un clip typique, et passer de 1 000 à 5 000 mots n’ajoute que 8,3 à 9,3 points. L’anglais, le français, l’espagnol, le portugais et l’italien gagnent 11,5 à 12,6 points sur le même intervalle. Les courbes les plus raides sont l’indonésien (+20,8), l’ukrainien (+18,3), l’arabe (+18,1), le russe (+16,5), le finnois (+15,3), le turc (+15,2) et le polonais (+14,3).
Une courbe raide signifie que les mille premiers mots laissent une plus grande part du clip inconnue, et que chaque millier supplémentaire vaut davantage. Cela tient en partie à la langue. Cela tient aussi à la façon de compter les mots, et il faut l’expliquer avant de comparer deux langues.
Les listes utilisées ici sont lemmatisées : dije, dijo et decir comptent tous pour un seul mot, decir. C’est juste envers l’espagnol, qui a beaucoup de formes verbales. Mais un lemmatiseur ne fonctionne que s’il reconnaît la forme. En tchèque, finnois, hongrois, russe et ukrainien, 9,0 % à 10,8 % des occurrences d’un clip typique sont des formes que la liste n’a pas pu rattacher à un lemme. Beaucoup sont des mots ordinaires avec une désinence de cas que l’outil n’a pas retirée. Ils comptent comme inconnus ici, donc pour ces cinq langues les chiffres sont un plancher : la couverture réelle est plus élevée. Elles sont marquées d’un astérisque dans le tableau ci-dessous.
Les mots composés jouent contre l’allemand, le néerlandais et les langues nordiques de la même façon. Un composé allemand comme Küchenschrank (placard de cuisine) compte comme inconnu si le composé entier n’est pas dans la liste, même quand tu connais les deux parties.
L’étiquette de niveau change à peine le vocabulaire
Chaque clip du catalogue a un niveau CECRL, attribué par un modèle qui lit la transcription. Ils sont regroupés ici en cinq paliers, de A1 (A0 compte comme A1) à C1 (C2 compte comme C1). Si l’étiquette suivait le vocabulaire, les niveaux plus élevés demanderaient plus de mots. Pour les 2 000 premiers mots, ce n’est presque pas le cas. En prenant la médiane sur les langues (A1 a assez de clips dans 11 d’entre elles, C1 dans 20), les 2 000 premiers mots couvrent 84,0 % d’un clip A1, 84,0 % en A2, 85,2 % en B1, 86,1 % en B2 et 84,1 % en C1.
Le niveau se voit en haut de l’échelle. Avec 5 000 mots, tu connaîtrais 95 % des mots dans 30,2 % des clips A1, 20,6 % des clips A2, 22,6 % des clips B1, 15,5 % des clips B2 et 4,5 % des clips C1. La longueur explique une partie : le clip C1 médian de l’échantillon compte 338 occurrences, le clip A1 médian 81. Un clip court a moins d’occasions d’utiliser un mot rare.
Les clips à la couverture la plus faible parlent surtout de nourriture. Sur les 25 clips anglais de l’échantillon ayant la plus faible couverture à 2 000 mots, environ deux tiers sont des recettes, des critiques culinaires ou des dégustations, et 21 sont étiquetés A1 ou A2. En espagnol, 11 des 25 plus bas parlent de nourriture, et trois sont des chansons pour enfants. La grammaire d’une recette est simple (« ajoute l’ail, remue, c’est prêt »), d’où l’étiquette basse. Les noms, eux, ne le sont pas. Dans la liste anglaise, garlic est le mot 6 395 et tablespoon le 11 551. En espagnol, ajo est au rang 6 605 et sartén (poêle) au 11 125.
Voici deux clips anglais. Le premier est une bande-annonce étiquetée B2 : 96,9 % de ses mots sont dans les 2 000 premiers, et il dépasse 95 % à 1 300 mots. Le second est une recette à la mijoteuse étiquetée A2 : 72,3 % de ses mots sont dans les 2 000 premiers, et il ne dépasse 95 % qu’à 11 551 mots, le rang de tablespoon.
La bande-annonce n’est pas facile non plus, pour une autre raison : ses locuteurs parlent à un débit médian de 215 mots par minute. Une étiquette de niveau mélange vitesse, grammaire et vocabulaire dans une seule lettre, et c’est la part du vocabulaire qui se perd. Si tu connais entre 2 000 et 5 000 mots, regarde le sujet d’un clip autant que son niveau : la cuisine, la nourriture et les présentations de produits utilisent beaucoup de mots loin dans la liste.
Les variétés diffèrent aussi
L’arabe est mesuré avec une liste de fréquence distincte pour chaque dialecte. Les autres langues utilisent une seule liste pour toutes leurs variétés. Avec 2 000 mots, le clip typique en arabe égyptien est couvert à 86,1 %, l’irakien à 79,6 % et le marocain à 72,5 %. Pour le marocain, 9,5 % des mots d’un clip typique ne sont pas du tout dans sa liste, donc une partie de cet écart vient de la liste. En français, les clips québécois arrivent à 90,6 % contre 87,6 % pour les clips de France. Le portugais brésilien est à 87,4 %, le portugais européen à 80,3 %, mais seuls 61 clips de portugais européen ont passé les filtres et ils sont évalués avec une autre liste : à prendre avec précaution.
Comparaison avec l’estimation de Nation
Le chiffre le plus connu pour l’anglais oral vient de l’article de Paul Nation de 2006, « How large a vocabulary is needed for reading and listening ? ». À partir d’un corpus d’anglais oral de Nouvelle-Zélande, il a trouvé que 3 000 familles de mots plus les noms propres donnent plus de 95 % de couverture, et qu’il faut 6 000 à 7 000 familles pour 98 %. Webb et Rodgers (2009) ont obtenu des chiffres similaires pour les scénarios de films : 3 000 familles plus les noms propres et les mots marginaux pour 95,76 %, et 6 000 familles plus les mêmes extras pour 98,15 %.
Mes chiffres pour l’anglais sont plus élevés : 4 462 mots pour que le clip typique atteigne 95 %, 9 403 pour 98 %. En prenant tous les clips anglais comme un seul long texte, 5 000 mots couvrent 95,1 %. Trois raisons expliquent l’écart, et aucune ne veut dire qu’une étude a tort :
- Les familles sont plus grandes que les lemmes. Une famille de mots regroupe happy, unhappy, happiness et happily en une seule unité. Une liste de lemmes en compte quatre. Donc 3 000 familles correspondent à un nombre de lemmes plus grand.
- La liste est bâtie surtout sur de l’écrit. Les mots courants de l’oral y sont plus bas qu’on ne l’imagine : alright est le mot 3 102, kinda le 2 333 et bye le 3 273.
- Les vidéos courtes restent sur un seul sujet. Une recette de deux minutes consacre la plupart de ses mots au vocabulaire d’un seul thème, alors qu’une longue conversation se déplace et réutilise plus de mots généraux.
Ce que ça veut dire si tu apprends une langue
Les 2 000 ou 3 000 premiers mots méritent d’être appris de façon délibérée, avec un paquet de cartes ou un cours classé par fréquence. À ce stade, une vraie part des clips natifs est accessible à 95 %, et à partir de là tu peux attraper beaucoup de mots nouveaux par le contexte plutôt que par une liste. Le guide pour débutants de Christian Lauer explique comment arriver vite à ce point.
Ensuite, choisis tes clips par sujet, pas seulement par niveau. Quelqu’un qui connaît 3 000 mots d’espagnol peut suivre le sketch du chat ci-dessus et se perdre dans la recette de boulettes, alors que les deux sont étiquetés A2. Et pour le tchèque, le finnois, le hongrois, le russe et l’ukrainien, attends-toi à ce que les chiffres paraissent plus durs qu’ils ne le sont : une bonne part de ce qui compte comme inconnu est un mot que tu connais avec une terminaison que tu n’as pas encore rencontrée.
Si tu veux t’entraîner avec des clips comme ceux-ci, les pages espagnol, anglais et allemand listent des clips natifs par niveau, avec les mêmes sous-titres mot à mot que les clips de cette page. Pour comprendre pourquoi la compréhension précède la parole : comment arrêter de traduire dans ta tête.
Comment j’ai mesuré tout ça
Les clips. Tous les clips étaient dans le catalogue Reelang le 29 septembre 2026 et en rotation : visibles publiquement, avec de la parole, contenu natif (pas des cours de langue), non doublés et en une seule langue. Pour chaque langue, j’ai échantillonné jusqu’à 500 clips par niveau CECRL et pondéré chaque niveau selon sa part du catalogue, afin que les chiffres décrivent le catalogue dans son ensemble. Ont été retirés : les clips de moins de 50 mots, ceux où une ligne de sous-titre se répète (plus de 30 % des lignes), ceux dont le débit dépasse 330 mots par minute de durée, et ceux où plus de 35 % des mots ne sont pas dans la liste de la langue (en général une transcription dans la mauvaise langue). Il restait ensuite 35 615 clips dans les 23 langues classées, pour 13,8 millions d’occurrences. Le clip médian dure 81 secondes. 35 600 viennent de YouTube, 8 de TikTok et 7 d’Instagram.
Les mots. Chaque transcription est découpée en mots aux espaces et à la ponctuation, mise en minuscules, chiffres retirés. Chaque mot est cherché dans une liste de fréquence pour sa langue, construite à partir de wordfreq 3.1.1 (Speer, 2022) : les 25 000 formes les plus fréquentes, regroupées par lemme avec simplemma (d’autres outils pour l’arabe, l’hébreu et les langues asiatiques) et classées selon la fréquence totale de chaque lemme. Les formes absentes de la liste sont lemmatisées avec simplemma en solution de repli. Les noms propres (majuscule, pas en début de phrase, absents de la liste) et les mots marginaux comme uh, mhm et haha comptent comme connus, comme le font Nation (2006) et Webb et Rodgers (2009). L’allemand met une majuscule à tous les noms, et le hindi et l’arabe n’ont pas de majuscules, donc ces langues ne reçoivent aucun crédit pour les noms propres. En anglais, les moitiés de contraction comptent pour le mot entier (didn't compte comme did et not).
Les chiffres. La couverture est la part des occurrences d’un clip dont le lemme figure parmi les N premiers. Les pourcentages ci-dessus sont des médianes sur les clips. Pour les chiffres « clips à 95 % », le seuil exact de chaque clip est calculé à partir de ses propres rangs de mots, donc il n’y a pas d’interpolation. Le chiffre « le clip typique atteint 95 % à » est la plus petite taille de vocabulaire à laquelle le clip médian dépasse 95 %.
Non classées. Les préfixes hébreux (ve-, ha-, be-, le-) ne sont pas détachés, donc des mots connus comptent comme inconnus. Les transcriptions tamoules sont en tamoul parlé et la liste est en tamoul écrit. Le japonais, le chinois et le coréen sont comptés en mots lexicaux seulement, et le vietnamien en syllabes, donc leurs chiffres ne sont pas comparables au reste. Une langue doit avoir au moins 300 clips pour être classée. Le norvégien en a 449 ; toutes les autres langues classées en ont plus de 1 000. La liste turque ne compte que 9 088 lemmes, donc pour le turc les graphiques s’arrêtent à 8 000 mots, et « 10 000+ » signifie que le clip typique n’atteint pas 95 % avec la liste entière.
Biais connus. Les chiffres décrivent des transcriptions, pas de l’audio, donc les erreurs de reconnaissance vocale comptent comme des mots. Connaître parfaitement les N premiers mots est un cas idéal, et les expressions figées ne sont pas comptées comme des unités. Le niveau CECRL est le jugement d’un modèle sur la transcription. Et le catalogue est choisi pour des apprenants : il penche vers des clips à l’élocution claire et à large attrait, ce n’est donc pas un échantillon aléatoire de tout ce qui existe sur YouTube ou TikTok.
Utilise ces données
Tu peux réutiliser librement les graphiques et les chiffres de cette page dans tes écrits, tes cours ou tes recherches. Merci de citer cette page comme source.
| Langue | Clips | 1 000 | 2 000 | 5 000 | 95 %+ | 98 %+ | 95 % à |
|---|---|---|---|---|---|---|---|
| Danois | 1 122 | 86,5 % | 91,1 % | 94,8 % | 47,0 % | 8,4 % | 5 292 |
| Anglais | 2 002 | 83,7 % | 89,9 % | 95,6 % | 58,4 % | 15,2 % | 4 462 |
| Suédois | 1 325 | 85,6 % | 89,8 % | 94,0 % | 37,6 % | 5,6 % | 6 768 |
| Néerlandais | 1 841 | 84,4 % | 89,0 % | 93,7 % | 32,2 % | 3,5 % | 7 109 |
| Français | 1 961 | 82,7 % | 88,4 % | 94,2 % | 40,1 % | 5,8 % | 5 804 |
| Norvégien | 449 | 83,5 % | 88,1 % | 93,0 % | 25,0 % | 3,8 % | 9 478 |
| Espagnol | 2 195 | 81,6 % | 87,3 % | 93,5 % | 32,0 % | 5,4 % | 6 781 |
| Portugais | 1 865 | 81,4 % | 87,2 % | 94,0 % | 38,4 % | 7,3 % | 6 121 |
| Roumain | 1 602 | 81,4 % | 87,0 % | 92,5 % | 25,3 % | 5,8 % | 9 586 |
| Espéranto | 1 007 | 80,0 % | 86,3 % | 92,3 % | 28,6 % | 4,5 % | 10 000+ |
| Italien | 1 880 | 79,7 % | 85,6 % | 91,9 % | 21,2 % | 2,7 % | 9 269 |
| Turc | 1 322 | 77,1 % | 85,6 % | 92,3 % | 25,4 % | 5,5 % | 10 000+ † |
| Allemand | 1 933 | 80,0 % | 84,8 % | 90,3 % | 11,3 % | 1,1 % | 10 000+ |
| Grec | 1 796 | 78,0 % | 83,5 % | 89,0 % | 6,7 % | 1,0 % | 10 000+ |
| Hindi | 1 417 | 77,2 % | 82,4 % | 88,3 % | 6,6 % | 1,2 % | 10 000+ |
| Arabe | 1 916 | 73,1 % | 82,2 % | 91,2 % | 17,8 % | 2,7 % | 10 000+ |
| Polonais | 1 503 | 73,9 % | 81,0 % | 88,2 % | 8,2 % | 1,0 % | 10 000+ |
| Indonésien | 1 582 | 68,6 % | 80,6 % | 89,4 % | 10,4 % | 2,3 % | 10 000+ |
| Tchèque * | 1 239 | 73,4 % | 80,0 % | 86,8 % | 3,9 % | 0,5 % | 10 000+ |
| Finnois * | 1 565 | 71,7 % | 79,3 % | 87,0 % | 3,6 % | 0,8 % | 10 000+ |
| Hongrois * | 1 732 | 71,7 % | 78,1 % | 84,5 % | 0,4 % | 0,0 % | 10 000+ |
| Russe * | 1 305 | 70,0 % | 77,8 % | 86,5 % | 2,9 % | 0,1 % | 10 000+ |
| Ukrainien * | 1 056 | 65,4 % | 73,4 % | 83,7 % | 0,8 % | 0,0 % | 10 000+ |
Colonnes 1 000, 2 000 et 5 000 : la part médiane des occurrences d’un clip couverte par les 1 000, 2 000 ou 5 000 premiers lemmes. 95 %+ et 98 %+ : la part des clips dans lesquels une personne connaissant les 5 000 premiers lemmes connaît au moins 95 % ou 98 % des mots. 95 % à : la taille de vocabulaire à laquelle le clip médian dépasse 95 % (10 000+ signifie pas avant 10 000). * Borne inférieure : 9 % ou plus des mots d’un clip typique n’ont pas pu être rattachés à la liste, donc la couverture réelle est plus élevée. † La liste turque ne compte que 9 088 lemmes : le clip turc typique n’atteint pas 95 % avec la liste entière.
Sources
- 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 (texte intégral gratuit)
- 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. Notice
- 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 gratuit
- Speer, R. (2022). wordfreq v3.0 [données et logiciel]. Zenodo. doi.org/10.5281/zenodo.7199437. Cette étude a utilisé la version 3.1.1 de 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
Commence à regarder
Choisis une langue et lance le fil. De vraies conversations de locuteurs natifs, classées par difficulté. Pas de quiz, pas d’inscription.
Choisis une langueÀ lire ensuite
L’input compréhensible pour les débutants
L’input compréhensible ne fonctionne que si tu arrives à suivre ce qui se dit. Christian Lauer explique comment atteindre ce niveau vite, et comment savoir que tu y es.
Arrêter de traduire dans sa tête : pourquoi la compréhension passe avant la parole
On arrête de traduire dans sa tête en donnant au cerveau tellement de langue compréhensible qu’il n’a plus besoin de traduire. La traduction est une béquille que le cerveau fabrique quand il manque d’expérience directe avec la langue. Le remède n’est pas une astuce ni une discipline mentale : c’est du volume. Des heures d’écoute de parole réelle que tu comprends en grande partie, jusqu’à ce que ton cerveau relie le son au sens sans passer par ta langue maternelle.
Pourquoi l’input compréhensible fonctionne si bien en mandarin
L’input compréhensible marche en mandarin parce que les plus gros obstacles de la langue (les tons, l’écriture par caractères et l’écart entre l’oral et l’écrit) s’apprennent d’abord par l’oreille, pas par la règle. Les exercices de grammaire t’apprennent à reconnaître le mandarin isolé ; l’input compréhensible t’apprend à le reconnaître tel que les natifs le produisent vraiment.