Berapa banyak kata yang kamu butuhkan untuk paham video penutur asli?
Dengan 5.000 kata bahasa Inggris paling sering dipakai, klip penutur asli rata-rata berisi 95,6% kata yang sudah kamu tahu. Bahasa Spanyol butuh sekitar 6.800 kata untuk mencapai 95%, dan di 13 dari 23 bahasa, 10.000 kata pun belum cukup. Data dari 35.615 klip asli, per bahasa dan per level.
Chief Language Geek @ Reelang
Kalau kamu tahu 5.000 kata bahasa Inggris yang paling sering dipakai, klip video penutur asli bahasa Inggris rata-rata berisi 95,6% kata yang sudah kamu kenal, dan 58,4% klip mencapai 95%, level yang menurut riset menyimak membuat pembelajar paham dengan baik. Bahasa Spanyol butuh sekitar 6.800 kata agar klip rata-rata mencapai 95%, dan di 13 dari 23 bahasa yang saya ukur, 10.000 kata belum cukup.
Angka ini berasal dari 35.615 klip penutur asli dalam 23 bahasa di katalog Reelang, dihitung kata demi kata memakai daftar frekuensi untuk tiap bahasa. Pilih bahasa dan ukuran kosakata di bawah ini untuk melihat hasilnya.
Seribu kata pertama melakukan sebagian besar pekerjaan
Frekuensi kata itu timpang. Beberapa ratus kata (the, and, is, you, que, de) menyusun sebagian besar dari semua yang orang ucapkan, dan tiap kata yang lebih jauh di daftar makin jarang muncul. Pola ini dikenal sebagai hukum Zipf, dan berlaku di semua bahasa di sini.
Di 18 bahasa yang bisa saya peringkat tanpa catatan khusus, klip rata-rata tertutup 80,7% oleh 1.000 kata teratas, 86,7% oleh 2.000 kata teratas dan 92,4% oleh 5.000 kata teratas. Seribu kata pertama memberi kamu empat dari lima kata yang dikenal. Empat ribu kata berikutnya menambah sekitar dua belas poin.
Ambang yang penting untuk menyimak ada di poin-poin terakhir itu. Dua di antaranya muncul berulang kali dalam riset soal berapa kata yang kamu butuhkan:
- 95%, satu kata asing dari tiap 20 kata. Batia Laufer mengusulkannya untuk membaca pada 1989. Untuk menyimak, van Zeeland dan Schmitt (2013) menemukan bahwa kebanyakan penyimak sudah sanggup di 90%, dan pada 95% penyimak bahasa kedua paham dengan baik dengan variasi antarorang yang jauh lebih kecil.
- 98%, satu kata asing dari tiap 50 kata. Hu dan Nation (2000) menemukan bahwa pembelajar yang membaca fiksi sendiri butuh kira-kira sebanyak ini untuk pemahaman yang memadai.
Pada 150 kata per menit, kecepatan bicara normal, 95% berarti sekitar tujuh kata asing tiap menit (Nation, 2006). 98% berarti tiga. Kamu bisa merasakan bedanya di demo berikut. Demo ini memakai kalimat nyata dari klip dalam studi dan menyembunyikan setiap kata yang tidak ada di jumlah kata teratas yang kamu pilih.
Dengan 2.000 kata, kalimat soal bakso itu 58,3% dikenal: albóndigas, parmesano, rallado dan orégano sama sekali tidak ada di daftar, dan perejil (peterseli) ada di peringkat 13.520. Kalimat tentang kucing 96,2% dikenal pada 2.000 kata yang sama. Keduanya klip bahasa Spanyol dan keduanya berlabel A2.
Bahasa Inggris dan Spanyol, dalam angka
Inggris. Klip rata-rata mencapai 90% pada 2.021 kata, 95% pada 4.462 kata dan 98% pada 9.403 kata. Dengan 3.000 kata, 24,9% klip bahasa Inggris berada di 95% atau lebih. Dengan 5.000 kata, 58,4% klip mencapainya, dan 15,2% ada di 98% atau lebih.
Spanyol. Klip rata-rata mencapai 90% pada 2.754 kata dan 95% pada 6.781 kata. Klip itu tidak mencapai 98% dalam batas 10.000 kata. Dengan 3.000 kata, 10,8% klip bahasa Spanyol berada di 95% atau lebih. Dengan 5.000 kata, 32,0% klip mencapainya.
Jadi untuk bahasa Spanyol, pembelajar dengan 3.000 kata bisa menemukan sekitar satu dari sepuluh klip yang 95% katanya sudah akrab. Itu kumpulan yang nyata untuk belajar, karena kata yang belum kamu tahu muncul dikelilingi kata yang kamu tahu. Klip dari Kolombia ini salah satunya: 88,4% katanya ada di 1.000 kata teratas dan 96,3% di 2.000 kata teratas.
Tahu kata tidak sama dengan menangkapnya. Penutur di klip itu bicara dengan median 243 kata per menit, jauh lebih cepat daripada rekaman buku pelajaran. Cakupan kosakata memberi tahu apakah kamu bisa memahami transkripnya. Itu tidak memberi tahu apakah kamu bisa mengikuti kecepatannya.
Bahasa yang landai dan bahasa yang curam
Bentuk kurvanya tidak sama semua. Dalam bahasa Denmark, Swedia dan Belanda, 1.000 kata teratas sudah menutup 84,4% sampai 86,5% klip rata-rata, dan naik dari 1.000 ke 5.000 kata hanya menambah 8,3 sampai 9,3 poin. Bahasa Inggris, Prancis, Spanyol, Portugis dan Italia menambah 11,5 sampai 12,6 poin pada rentang yang sama. Kurva paling curam ada pada bahasa Indonesia (+20,8), Ukraina (+18,3), Arab (+18,1), Rusia (+16,5), Finlandia (+15,3), Turki (+15,2) dan Polandia (+14,3).
Kurva curam berarti seribu kata pertama meninggalkan lebih banyak bagian klip yang tidak dikenal, dan tiap seribu kata berikutnya lebih berharga. Sebagian karena bahasanya sendiri. Sebagian lagi karena cara kata dihitung, dan itu perlu dijelaskan sebelum kamu membandingkan dua bahasa.
Daftar di sini sudah dilemakan: dije, dijo dan decir dihitung sebagai satu kata, decir. Itu adil bagi bahasa Spanyol yang punya banyak bentuk kata kerja. Tapi pelema hanya bekerja kalau bentuknya dikenali. Dalam bahasa Ceko, Finlandia, Hungaria, Rusia dan Ukraina, 9,0% sampai 10,8% kata berjalan pada klip rata-rata adalah bentuk yang tidak bisa dicocokkan daftar ke lema mana pun. Banyak di antaranya kata biasa dengan akhiran kasus yang tidak terkupas oleh alatnya. Di sini kata itu dihitung tidak dikenal, jadi untuk lima bahasa tersebut angkanya adalah batas bawah: cakupan sebenarnya lebih tinggi. Bahasa itu ditandai tanda bintang di tabel di bawah.
Kata majemuk merugikan bahasa Jerman, Belanda dan bahasa-bahasa Nordik dengan cara serupa. Kata majemuk Jerman seperti Küchenschrank (lemari dapur) dihitung tidak dikenal kecuali seluruh kata majemuknya ada di daftar, walaupun kamu tahu kedua bagiannya.
Label level hampir tidak mengubah kosakata
Setiap klip di katalog punya level CEFR, ditetapkan oleh model yang membaca transkrip. Di sini level dikelompokkan jadi lima pita, dari A1 (A0 dihitung A1) sampai C1 (C2 dihitung C1). Kalau label itu mengikuti kosakata, level lebih tinggi butuh lebih banyak kata. Untuk 2.000 kata pertama, hampir tidak begitu. Dengan mengambil median antarbahasa (A1 punya cukup klip di 11 bahasa, C1 di 20 bahasa), 2.000 kata teratas menutup 84,0% klip A1, 84,0% di A2, 85,2% di B1, 86,1% di B2 dan 84,1% di C1.
Level baru terlihat di ujung atas rentang. Dengan 5.000 kata, kamu akan tahu 95% kata di 30,2% klip A1, 20,6% klip A2, 22,6% klip B1, 15,5% klip B2 dan 4,5% klip C1. Panjang klip jadi salah satu alasannya: median klip C1 dalam sampel punya 338 kata berjalan, median klip A1 hanya 81. Klip pendek punya lebih sedikit peluang memakai kata langka.
Klip dengan cakupan terendah kebanyakan soal makanan. Dari 25 klip bahasa Inggris dengan cakupan terendah pada 2.000 kata, sekitar dua pertiga adalah resep, ulasan makanan atau cicip camilan, dan 21 di antaranya berlabel A1 atau A2. Dalam bahasa Spanyol, 11 dari 25 terendah soal makanan, dan tiga di antaranya lagu anak. Tata bahasa dalam resep itu sederhana ("masukkan bawang putih, aduk, selesai"), itulah sebabnya labelnya rendah. Kata bendanya tidak sederhana. Di daftar bahasa Inggris, garlic adalah kata ke-6.395 dan tablespoon ke-11.551. Dalam bahasa Spanyol, ajo ada di 6.605 dan sartén (wajan) di 11.125.
Ini dua klip bahasa Inggris. Yang pertama trailer film berlabel B2: 96,9% katanya ada di 2.000 kata teratas, dan melewati 95% pada 1.300 kata. Yang kedua resep slow cooker berlabel A2: 72,3% katanya ada di 2.000 kata teratas, dan baru melewati 95% pada 11.551 kata, yaitu peringkat tablespoon.
Trailer itu juga tidak mudah, tapi karena alasan lain: penuturnya bicara dengan median 215 kata per menit. Label level mencampur kecepatan, tata bahasa dan kosakata jadi satu huruf, dan bagian kosakatanya yang hilang. Kalau kamu tahu antara 2.000 dan 5.000 kata, lihat topik klip, bukan cuma levelnya: makanan, memasak dan bahasan produk memakai banyak kata dari bagian bawah daftar.
Variasi bahasa juga berbeda
Bahasa Arab diukur dengan daftar frekuensi terpisah untuk tiap dialek. Bahasa lain memakai satu daftar untuk semua variannya. Dengan 2.000 kata, klip Arab Mesir rata-rata tertutup 86,1%, Irak 79,6% dan Maroko 72,5%. Untuk Maroko, 9,5% kata di klip rata-rata sama sekali tidak ada di daftarnya, jadi sebagian selisih itu karena daftarnya. Dalam bahasa Prancis, klip Québec mencapai 90,6% berbanding 87,6% untuk klip dari Prancis. Portugis Brasil ada di 87,4%, Portugis Eropa di 80,3%, tapi hanya 61 klip Portugis Eropa yang lolos saringan dan dinilai dengan daftar berbeda, jadi angka itu perlu dibaca hati-hati.
Bagaimana ini dibandingkan dengan perkiraan Nation
Angka paling terkenal untuk bahasa Inggris lisan datang dari makalah Paul Nation tahun 2006, "How large a vocabulary is needed for reading and listening?". Memakai korpus bahasa Inggris lisan Selandia Baru, ia menemukan bahwa 3.000 rumpun kata ditambah nama diri memberi cakupan di atas 95%, dan bahwa 6.000 sampai 7.000 rumpun kata dibutuhkan untuk 98%. Webb dan Rodgers (2009) mendapat angka serupa untuk naskah film: 3.000 rumpun ditambah nama diri dan kata marginal untuk 95,76%, dan 6.000 rumpun ditambah tambahan yang sama untuk 98,15%.
Angka saya untuk bahasa Inggris lebih tinggi: 4.462 kata agar klip rata-rata mencapai 95%, 9.403 untuk 98%. Kalau semua klip bahasa Inggris digabung jadi satu teks panjang, 5.000 kata menutup 95,1%. Ada tiga alasan angkanya berbeda, dan tak satu pun berarti ada studi yang salah:
- Rumpun kata lebih besar daripada lema. Rumpun kata mengelompokkan happy, unhappy, happiness dan happily sebagai satu unit. Daftar lema menghitungnya sebagai empat. Jadi 3.000 rumpun setara dengan jumlah lema yang lebih besar.
- Daftarnya dibangun terutama dari teks tertulis. Kata lisan sehari-hari ada lebih bawah daripada dugaanmu: alright adalah kata ke-3.102, kinda ke-2.333 dan bye ke-3.273.
- Video pendek bertahan pada satu topik. Resep dua menit menghabiskan sebagian besar katanya pada kosakata satu topik, sedangkan percakapan panjang berpindah-pindah dan lebih sering memakai ulang kata umum.
Apa artinya ini kalau kamu sedang belajar bahasa
2.000 atau 3.000 kata pertama layak dipelajari secara sengaja, dengan dek atau kursus yang diurutkan menurut frekuensi. Sampai di titik itu, sebagian nyata klip penutur asli sudah terjangkau di 95%, dan dari sana kamu bisa menyerap banyak kata baru dari konteks, bukan dari daftar. Panduan untuk pemula dari Christian Lauer membahas cara cepat sampai ke titik itu.
Setelah itu, pilih klip berdasarkan topik, bukan hanya level. Pembelajar dengan 3.000 kata bahasa Spanyol bisa mengikuti sketsa kucing di atas tapi tetap tersesat di resep bakso, padahal keduanya berlabel A2. Dan untuk bahasa Ceko, Finlandia, Hungaria, Rusia dan Ukraina, angka di sini akan terasa lebih berat daripada kenyataannya: banyak yang dihitung tidak dikenal sebenarnya kata yang kamu tahu dengan akhiran yang belum kamu temui.
Kalau kamu mau berlatih dengan klip seperti di atas, halaman Spanyol, Inggris dan Jerman memuat daftar klip penutur asli per level, dengan subtitel kata demi kata seperti klip di halaman ini. Lebih lanjut soal kenapa pemahaman datang sebelum berbicara: cara berhenti menerjemahkan di kepala.
Cara saya mengukurnya
Klipnya. Semua klip ada di katalog Reelang pada 29 September 2026 dan sedang dirotasi: tampil publik, ada ucapan, konten penutur asli (bukan pelajaran bahasa), bukan sulih suara dan dalam satu bahasa. Untuk tiap bahasa saya mengambil sampel hingga 500 klip per level CEFR dan memberi bobot tiap level sesuai porsinya di katalog, supaya angkanya menggambarkan katalog secara keseluruhan. Klip dengan kurang dari 50 kata, klip yang satu baris takarirnya berulang (lebih dari 30% baris), klip lebih cepat dari 330 kata per menit durasi, dan klip yang lebih dari 35% katanya tidak ada di daftar bahasanya (biasanya transkrip dalam bahasa yang salah) dibuang. Setelah itu, tersisa 35.615 klip dalam 23 bahasa yang diperingkat, dengan 13,8 juta kata berjalan. Median klip berdurasi 81 detik. 35.600 klip dari YouTube, 8 dari TikTok dan 7 dari Instagram.
Katanya. Tiap transkrip dipecah jadi kata berdasarkan spasi dan tanda baca, dijadikan huruf kecil, dan angkanya dihapus. Tiap kata dicari di daftar frekuensi bahasanya, yang dibangun dari wordfreq 3.1.1 (Speer, 2022): 25.000 bentuk kata paling sering, dikelompokkan per lema dengan simplemma (alat lain untuk bahasa Arab, Ibrani dan bahasa-bahasa Asia) dan diperingkat menurut total frekuensi tiap lema. Bentuk yang tidak ada di daftar dilemakan dengan simplemma sebagai cadangan. Nama diri (berhuruf kapital, bukan di awal kalimat, tidak ada di daftar) dan kata marginal seperti uh, mhm dan haha dihitung dikenal, seperti pada Nation (2006) serta Webb dan Rodgers (2009). Bahasa Jerman menulis semua kata benda dengan huruf kapital, dan bahasa Hindi serta Arab tidak punya huruf kapital, jadi bahasa-bahasa itu tidak dapat kredit nama diri. Dalam bahasa Inggris, potongan kontraksi dihitung sebagai kata utuh (didn't dihitung sebagai did dan not).
Angkanya. Cakupan adalah porsi kata berjalan dalam sebuah klip yang lemanya ada di antara N teratas. Persentase di atas adalah median antarklip. Untuk angka "klip di 95%", ambang tiap klip dihitung dari peringkat katanya sendiri, jadi tidak ada interpolasi. Angka "klip rata-rata mencapai 95% pada" adalah ukuran kosakata terkecil saat klip median melewati 95%.
Tidak diperingkat. Awalan bahasa Ibrani (ve-, ha-, be-, le-) tidak dipisahkan, jadi kata yang dikenal terhitung tidak dikenal. Transkrip Tamil adalah Tamil lisan sedangkan daftarnya Tamil tulis. Bahasa Jepang, Mandarin dan Korea dihitung hanya dari kata isi, dan bahasa Vietnam dari suku kata, jadi angkanya tidak bisa dibandingkan dengan yang lain. Sebuah bahasa butuh minimal 300 klip untuk diperingkat. Bahasa Norwegia punya 449; semua bahasa lain yang diperingkat punya lebih dari 1.000. Daftar Turki hanya punya 9.088 lema, jadi untuk bahasa Turki grafiknya berhenti di 8.000 kata, dan "10.000+" berarti klip rata-rata tidak mencapai 95% bahkan dengan seluruh daftar.
Bias yang diketahui. Angka ini menggambarkan transkrip, bukan audio, jadi kesalahan pengenalan ucapan ikut terhitung sebagai kata. Menguasai N kata teratas dengan sempurna adalah kasus ideal, dan idiom tidak dihitung sebagai satu unit. Level CEFR adalah penilaian model atas transkrip. Dan katalognya dipilih untuk pembelajar: condong ke klip dengan ucapan jelas dan daya tarik luas, jadi ini bukan sampel acak dari semua isi YouTube atau TikTok.
Gunakan data ini
Kamu boleh memakai ulang grafik dan angka di halaman ini untuk tulisan, pengajaran atau risetmu. Mohon cantumkan tautan ke halaman ini sebagai sumber.
| Bahasa | Klip | 1.000 | 2.000 | 5.000 | 95%+ | 98%+ | 95% pada |
|---|---|---|---|---|---|---|---|
| Denmark | 1.122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5.292 |
| Inggris | 2.002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4.462 |
| Swedia | 1.325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6.768 |
| Belanda | 1.841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7.109 |
| Prancis | 1.961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5.804 |
| Norwegia | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9.478 |
| Spanyol | 2.195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6.781 |
| Portugis | 1.865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6.121 |
| Rumania | 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+ |
| Italia | 1.880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9.269 |
| Turki | 1.322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10.000+ † |
| Jerman | 1.933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10.000+ |
| Yunani | 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+ |
| Arab | 1.916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10.000+ |
| Polandia | 1.503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10.000+ |
| Indonesia | 1.582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10.000+ |
| Ceko * | 1.239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10.000+ |
| Finlandia * | 1.565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10.000+ |
| Hungaria * | 1.732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10.000+ |
| Rusia * | 1.305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10.000+ |
| Ukraina * | 1.056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10.000+ |
Kolom 1.000, 2.000 dan 5.000: median porsi kata berjalan dalam sebuah klip yang tertutup oleh 1.000, 2.000 atau 5.000 lema teratas. 95%+ dan 98%+: porsi klip yang membuat pembelajar dengan 5.000 lema teratas mengenal setidaknya 95% atau 98% katanya. 95% pada: ukuran kosakata saat klip median melewati 95% (10.000+ berarti tidak tercapai dalam 10.000). * Batas bawah: 9% atau lebih kata di klip rata-rata tidak bisa dicocokkan ke daftar, jadi cakupan sebenarnya lebih tinggi. † Daftar Turki hanya punya 9.088 lema: klip Turki rata-rata tidak mencapai 95% bahkan dengan seluruh daftar.
Sumber
- 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 (teks lengkap gratis)
- Laufer, B. (1989). What percentage of text-lexis is essential for comprehension? Dalam C. Lauren & M. Nordman (Ed.), Special language: From humans thinking to thinking machines (hlm. 316-323). Multilingual Matters. Rekaman data
- 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 gratis
- Speer, R. (2022). wordfreq v3.0 [data dan perangkat lunak]. Zenodo. doi.org/10.5281/zenodo.7199437. Studi ini memakai rilis 3.1.1 dari 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
Mulai menonton
Pilih bahasa dan mulai feed. Ucapan asli penutur asli, dinilai dari seberapa sulit diikuti. Tanpa kuis, tanpa daftar.
Pilih bahasaBaca selanjutnya
Comprehensible input untuk pemula
Comprehensible input baru bekerja kalau kamu sudah bisa mengikuti isi pembicaraan. Christian Lauer menjelaskan cara sampai ke titik itu dengan cepat, dan cara tahu kamu sudah sampai.
Berhenti menerjemahkan di kepala: mengapa memahami datang sebelum berbicara
Kamu berhenti menerjemahkan di kepala saat otakmu menerima begitu banyak ucapan yang bisa dipahami sampai ia tidak butuh menerjemahkan lagi. Terjemahan adalah jalan pintas yang dibuat otak ketika pengalaman langsung dengan sebuah bahasa masih kurang. Obatnya bukan trik atau disiplin mental, melainkan volume: berjam-jam mendengar ucapan nyata yang sebagian besar kamu pahami, sampai otakmu membangun jalur langsung dari bunyi ke makna, tanpa mampir ke bahasa pertamamu.
Kenapa comprehensible input cocok untuk pelajar Mandarin
Comprehensible input cocok untuk Mandarin karena hambatan terbesarnya, yaitu nada, keaksaraan berbasis karakter, dan jurang lebar antara ragam lisan dan tulis, semuanya dipelajari lewat telinga dulu, bukan lewat aturan. Latihan tata bahasa dan kartu hafalan mengajarimu mengenali Mandarin secara terpisah. Comprehensible input mengajarimu mengenalinya seperti yang benar-benar diucapkan penutur asli: kecepatan alami, dalam konteks, dengan pola nada dan ritme yang utuh. Perbedaan itulah inti artikel ini.