英語の頻出5,000語を知っていれば、典型的な英語のネイティブ動画は95.6%が知っている単語になる。そして動画の58.4%が95%に届く。リスニング研究で「よく理解できる」とされる水準だ。スペイン語で典型的な動画が95%に届くには約6,800語が必要で、計測した23言語のうち13言語では10,000語でも足りない。
この数字は、Reelangのカタログにある23言語・35,615本のネイティブ動画を、言語ごとの頻度リストと1語ずつ照合して出したものだ。下で言語と語彙数を選ぶと、その組み合わせで何が見えるかがわかる。
最初の1,000語がほとんどの仕事をする
単語の頻度は極端に偏っている。数百語（the、and、is、you、que、de）が、人が話す内容の大部分を占める。リストの下に行くほど、その語が出てくる回数は減る。これはジップの法則として知られていて、ここで扱うすべての言語に当てはまる。
注釈なしで順位づけできる18言語を平均すると、典型的な動画は上位1,000語で80.7%、上位2,000語で86.7%、上位5,000語で92.4%がカバーされる。最初の1,000語で、5語のうち4語は知っている状態になる。次の4,000語が足すのは約12ポイントだ。
リスニングで意味を持つ基準値は、その最後の数ポイントの中にある。必要語彙数の研究で繰り返し出てくるのは次の2つだ。
- 95%、20語に1語が未知語。Batia Laufer が1989年に読解について提案した数字だ。リスニングでは、van Zeeland と Schmitt（2013）が、多くの聞き手は90%でもすでに対応できること、95%では第二言語の聞き手がよく理解でき、個人差も大きく縮まることを示した。
- 98%、50語に1語が未知語。Hu と Nation（2000）は、学習者が自力で小説を読んで十分に理解するにはこのくらい必要だとした。
普通の話す速さである毎分150語なら、95%は1分あたり約7語が未知語ということになる（Nation, 2006）。98%なら3語だ。下のデモでその差を体感できる。研究に使った動画の実際のセリフを使い、選んだ上位語に入らない単語をすべて伏せている。
2,000語では、ミートボールのセリフの既知語率は58.3%だ。albóndigas、parmesano、rallado、orégano はリストに入っておらず、perejil（パセリ）は13,520位。一方、猫についてのセリフは同じ2,000語で96.2%が既知語になる。どちらもスペイン語で、どちらもA2と分類されている。
英語とスペイン語、数字で見る
英語。 典型的な動画は2,021語で90%、4,462語で95%、9,403語で98%に届く。3,000語なら英語動画の24.9%が95%以上。5,000語なら58.4%が95%以上で、15.2%が98%以上になる。
スペイン語。 典型的な動画は2,754語で90%、6,781語で95%に届く。98%には10,000語以内では届かない。3,000語ならスペイン語動画の10.8%が95%以上。5,000語なら32.0%になる。
つまりスペイン語なら、3,000語の学習者でも10本に1本くらいは95%が既知語の動画に出会える。これは学習素材として十分な量だ。まだ知らない単語が、知っている単語に囲まれた形で出てくるからだ。このコロンビアの動画もその1つで、語の88.4%が上位1,000語、96.3%が上位2,000語に入っている。
ただし、単語を知っていることと聞き取れることは別だ。この動画の話者は毎分243語（中央値）で話していて、教科書の音声よりずっと速い。語彙カバー率が教えてくれるのは、台本なら理解できるかどうかだ。その速さについていけるかどうかは教えてくれない。
なだらかな言語と急な言語
曲線の形はすべて同じではない。デンマーク語、スウェーデン語、オランダ語では、上位1,000語がすでに典型的な動画の84.4%から86.5%をカバーし、1,000語から5,000語に増やしても8.3〜9.3ポイントしか増えない。英語、フランス語、スペイン語、ポルトガル語、イタリア語は同じ範囲で11.5〜12.6ポイント増える。もっとも急なのはインドネシア語（+20.8）、ウクライナ語（+18.3）、アラビア語（+18.1）、ロシア語（+16.5）、フィンランド語（+15.3）、トルコ語（+15.2）、ポーランド語（+14.3）だ。
曲線が急だということは、最初の1,000語では動画の未知部分が多く残り、その後の1,000語ごとの価値が高いということだ。これは一部は言語の性質による。そしてもう一部は、単語の数え方による。2つの言語を比べる前に、そこを説明しておく必要がある。
ここで使うリストはレンマ化されている。dije、dijo、decir はすべて decir という1語として数える。動詞の活用形が多いスペイン語にとっては公平な扱いだ。ただしレンマ化は、その形を認識できたときにしか働かない。チェコ語、フィンランド語、ハンガリー語、ロシア語、ウクライナ語では、典型的な動画の延べ語数の9.0%から10.8%が、どのレンマにも結びつけられない形だった。その多くは、ツールが落とせなかった格語尾の付いた普通の単語だ。ここでは未知語として数えているので、この5言語の数字は下限になる。実際のカバー率はもっと高い。下の表ではアスタリスクを付けてある。
複合語はドイツ語、オランダ語、北欧の言語にとって同じように不利に働く。Küchenschrank（台所の戸棚）のようなドイツ語の複合語は、両方の要素を知っていても、複合語そのものがリストにない限り未知語として数えられる。
レベル表示は語彙をほとんど変えない
カタログのすべての動画にはCEFRレベルが付いている。台本を読んだモデルが判定したものだ。ここではA1（A0はA1に含む）からC1（C2はC1に含む）までの5段階にまとめた。もしレベル表示が語彙と対応しているなら、上のレベルほど多くの語が必要になるはずだ。最初の2,000語に関しては、ほとんどそうなっていない。言語をまたいだ中央値（A1は11言語、C1は20言語に十分な動画がある）を取ると、上位2,000語がカバーするのはA1で84.0%、A2で84.0%、B1で85.2%、B2で86.1%、C1で84.1%だ。
レベルの差が出るのは上の方だ。5,000語なら、95%の語を知っている動画の割合はA1で30.2%、A2で20.6%、B1で22.6%、B2で15.5%、C1で4.5%になる。長さも理由の1つだ。サンプル中のC1動画の延べ語数は中央値338語、A1は81語。短い動画はレアな語が出る機会が少ない。
カバー率が最も低い動画は、ほとんどが食べ物の話だ。2,000語でのカバー率が最も低い英語動画25本のうち、約3分の2がレシピ、食レポ、お菓子の試食で、21本がA1かA2と分類されている。スペイン語では下位25本のうち11本が食べ物、3本が童謡だ。レシピの文法は単純で（「にんにくを入れて、混ぜて、できあがり」）、だから低いレベルが付く。名詞はそうではない。英語リストでは garlic が6,395位、tablespoon が11,551位。スペイン語では ajo が6,605位、sartén（フライパン）が11,125位だ。
英語の動画を2本見てみよう。1本目はB2と分類された映画の予告編で、語の96.9%が上位2,000語に入り、1,300語で95%を超える。2本目はA2と分類されたスロークッカーのレシピで、語の72.3%しか上位2,000語に入らず、95%を超えるのは11,551語、tablespoon の順位のところだ。
予告編も別の意味で簡単ではない。話者は毎分215語（中央値）で話している。レベル表示は速さ、文法、語彙を1つの記号に混ぜてしまい、そこで抜け落ちるのが語彙の部分だ。2,000語から5,000語の間にいるなら、動画のレベルだけでなく話題も見てほしい。食べ物、料理、商品紹介はリストのずっと下の語を多く使う。
変種によっても違う
アラビア語は方言ごとに別の頻度リストで計測した。他の言語はすべての変種に1つのリストを使っている。2,000語では、典型的なエジプト・アラビア語の動画のカバー率は86.1%、イラクが79.6%、モロッコが72.5%だ。モロッコでは典型的な動画の語の9.5%がそもそもリストにないので、この差の一部はリストのせいだ。フランス語では、ケベックの動画が90.6%、フランスの動画が87.6%になった。ブラジル・ポルトガル語は87.4%、ヨーロッパ・ポルトガル語は80.3%だが、ヨーロッパ・ポルトガル語はフィルタを通った動画が61本しかなく、別のリストで採点しているので、この数字は慎重に扱ってほしい。
Nation の推定との比較
話し言葉の英語について最もよく知られた数字は、Paul Nation の2006年の論文「How large a vocabulary is needed for reading and listening?」によるものだ。ニュージーランド英語の話し言葉コーパスを使い、固有名詞を加えた3,000語族で95%超のカバー率、98%には6,000〜7,000語族が必要だとした。Webb と Rodgers（2009）は映画の台本で似た数字を出している。3,000語族に固有名詞と周辺語を足して95.76%、6,000語族に同じものを足して98.15%だ。
私の英語の数字はこれより高い。典型的な動画が95%に届くのは4,462語、98%は9,403語だ。英語の全動画を1つの長いテキストとして見ると、5,000語で95.1%をカバーする。数字が違う理由は3つあり、どれも「一方が間違っている」という話ではない。
- 語族はレンマより大きい。語族は happy、unhappy、happiness、happily を1つの単位にまとめる。レンマのリストはこれを4語として数える。つまり3,000語族は、もっと多い数のレンマに相当する。
- リストは主に書き言葉から作られている。日常の話し言葉の語は、思ったより下の方にある。alright は3,102位、kinda は2,333位、bye は3,273位だ。
- 短い動画は話題が1つに絞られる。2分のレシピは語の大半を1つの話題の語彙に使う。長い会話はあちこちに動き、一般的な語をより多く使い回す。
語学学習者にとっての意味
最初の2,000語か3,000語は、頻度順のデッキや教材で意識的に覚える価値がある。そこまで来れば、ネイティブ動画のかなりの割合が95%の射程に入り、その先はリストではなく文脈から多くの語を拾えるようになる。Christian Lauer の初心者向けガイドが、そこまで速く到達する方法を書いている。
そのあとは、レベルだけでなく話題で動画を選ぼう。スペイン語3,000語の学習者は、上の猫のスケッチにはついていけても、ミートボールのレシピでは迷子になる。どちらもA2と分類されているのに、だ。そしてチェコ語、フィンランド語、ハンガリー語、ロシア語、ウクライナ語では、ここの数字は実際より厳しく見えると思っていい。未知語として数えられているものの多くは、知っている語にまだ出会っていない語尾が付いただけのものだ。
上のような動画で練習したいなら、スペイン語、英語、ドイツ語のページにレベル別のネイティブ動画が並んでいる。このページの動画と同じ、1語ずつの字幕付きだ。話すより先に理解が来る理由については頭の中で訳すのをやめる方法へ。言語ごとに何時間の動画が必要かは言語習得にはどれくらい時間がかかるかにあり、自分のレベルと1日の時間で計算できる。
計測の方法
動画。 対象は2026年9月29日時点でReelangのカタログにあり、ローテーションに入っていた動画だ。一般公開、音声あり、ネイティブ向けの内容（語学レッスンではない）、吹き替えでない、1言語のみ、という条件を満たすもの。言語ごとにCEFRレベルごと最大500本を抽出し、各レベルをカタログ内の比率で重み付けしたので、数字はカタログ全体を表している。語数50未満の動画、同じ字幕行が繰り返される動画（行の30%超）、尺あたり毎分330語より速い動画、語の35%超がその言語のリストにない動画（たいていは言語が違う台本）は除外した。残ったのは順位づけした23言語の35,615本、延べ1,380万語だ。動画の長さの中央値は81秒。35,600本がYouTube、8本がTikTok、7本がInstagramからだ。
単語。 各台本は空白と句読点で語に分割し、小文字化し、数字を除いた。各語はその言語の頻度リストで照合する。リストはwordfreq 3.1.1（Speer, 2022）から作り、頻度上位25,000の語形をsimplemmaでレンマごとにまとめ（アラビア語、ヘブライ語、アジア言語は別のツール）、レンマごとの合計頻度で順位づけした。リストにない形は、フォールバックとして simplemma でレンマ化する。固有名詞（大文字始まりで、文頭ではなく、リストにないもの）と uh、mhm、haha のような周辺語は、Nation（2006）や Webb と Rodgers（2009）にならって既知語として数える。ドイツ語はすべての名詞を大文字で書き、ヒンディー語とアラビア語には大文字がないので、これらの言語では固有名詞の加点はない。英語では短縮形の各部分を元の語として数える（didn't は did と not）。
数字。 カバー率は、動画の延べ語のうちレンマが上位N語に入るものの割合だ。上のパーセンテージは動画ごとの値の中央値。「95%の動画の割合」は、各動画の語の順位から正確な閾値を計算しているので、内挿はしていない。「典型的な動画が95%に届く語数」は、中央値の動画が95%を超える最小の語彙数だ。
順位づけ対象外。 ヘブライ語は接頭辞（ve-、ha-、be-、le-）を分離していないので、既知語が未知語として数えられる。タミル語は台本が話し言葉でリストが書き言葉だ。日本語、中国語、韓国語は内容語のみ、ベトナム語は音節で数えているので、他と比較できない。順位づけには最低300本の動画が必要だ。ノルウェー語は449本で、他の順位づけ言語はすべて1,000本を超えている。トルコ語のリストはレンマが9,088語しかないので、トルコ語のグラフは8,000語で止まり、「10,000+」はリスト全体を使っても典型的な動画が95%に届かないことを意味する。
わかっている偏り。 数字は音声ではなく台本を表すので、音声認識の誤りも語として数えられる。上位N語を完璧に知っているというのは理想的な前提で、慣用句は1つの単位として数えていない。CEFRレベルはモデルによる台本の判定だ。そしてカタログは学習者向けに選ばれていて、はっきりした発話と広く好まれる内容に寄っている。YouTubeやTikTok全体の無作為標本ではない。
このデータの利用について
このページのグラフと数字は、あなた自身の記事、授業、研究で自由に使ってかまわない。出典としてこのページにリンクしてほしい。
| 言語 | 動画数 | 1,000 | 2,000 | 5,000 | 95%以上 | 98%以上 | 95%到達 |
|---|---|---|---|---|---|---|---|
| デンマーク語 | 1,122 | 86.5% | 91.1% | 94.8% | 47.0% | 8.4% | 5,292 |
| 英語 | 2,002 | 83.7% | 89.9% | 95.6% | 58.4% | 15.2% | 4,462 |
| スウェーデン語 | 1,325 | 85.6% | 89.8% | 94.0% | 37.6% | 5.6% | 6,768 |
| オランダ語 | 1,841 | 84.4% | 89.0% | 93.7% | 32.2% | 3.5% | 7,109 |
| フランス語 | 1,961 | 82.7% | 88.4% | 94.2% | 40.1% | 5.8% | 5,804 |
| ノルウェー語 | 449 | 83.5% | 88.1% | 93.0% | 25.0% | 3.8% | 9,478 |
| スペイン語 | 2,195 | 81.6% | 87.3% | 93.5% | 32.0% | 5.4% | 6,781 |
| ポルトガル語 | 1,865 | 81.4% | 87.2% | 94.0% | 38.4% | 7.3% | 6,121 |
| ルーマニア語 | 1,602 | 81.4% | 87.0% | 92.5% | 25.3% | 5.8% | 9,586 |
| エスペラント | 1,007 | 80.0% | 86.3% | 92.3% | 28.6% | 4.5% | 10,000+ |
| イタリア語 | 1,880 | 79.7% | 85.6% | 91.9% | 21.2% | 2.7% | 9,269 |
| トルコ語 | 1,322 | 77.1% | 85.6% | 92.3% | 25.4% | 5.5% | 10,000+ † |
| ドイツ語 | 1,933 | 80.0% | 84.8% | 90.3% | 11.3% | 1.1% | 10,000+ |
| ギリシャ語 | 1,796 | 78.0% | 83.5% | 89.0% | 6.7% | 1.0% | 10,000+ |
| ヒンディー語 | 1,417 | 77.2% | 82.4% | 88.3% | 6.6% | 1.2% | 10,000+ |
| アラビア語 | 1,916 | 73.1% | 82.2% | 91.2% | 17.8% | 2.7% | 10,000+ |
| ポーランド語 | 1,503 | 73.9% | 81.0% | 88.2% | 8.2% | 1.0% | 10,000+ |
| インドネシア語 | 1,582 | 68.6% | 80.6% | 89.4% | 10.4% | 2.3% | 10,000+ |
| チェコ語 * | 1,239 | 73.4% | 80.0% | 86.8% | 3.9% | 0.5% | 10,000+ |
| フィンランド語 * | 1,565 | 71.7% | 79.3% | 87.0% | 3.6% | 0.8% | 10,000+ |
| ハンガリー語 * | 1,732 | 71.7% | 78.1% | 84.5% | 0.4% | 0.0% | 10,000+ |
| ロシア語 * | 1,305 | 70.0% | 77.8% | 86.5% | 2.9% | 0.1% | 10,000+ |
| ウクライナ語 * | 1,056 | 65.4% | 73.4% | 83.7% | 0.8% | 0.0% | 10,000+ |
1,000、2,000、5,000の列は、動画の延べ語のうち上位1,000・2,000・5,000レンマでカバーされる割合の中央値。95%以上と98%以上は、上位5,000レンマを知っている学習者が語の95%以上または98%以上を知っている動画の割合。95%到達は、中央値の動画が95%を超える語彙数（10,000+は10,000語以内では届かないこと）。* 下限値。典型的な動画の語の9%以上がリストと照合できなかったので、実際のカバー率はもっと高い。† トルコ語のリストはレンマが9,088語しかなく、典型的なトルコ語の動画はリスト全体でも95%に届かない。
参考文献
- 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（全文無料）
- 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. 書誌情報
- 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、無料PDF
- Speer, R. (2022). wordfreq v3.0 [data and software]. Zenodo. doi.org/10.5281/zenodo.7199437. 本研究では github.com/rspeer/wordfreq のリリース3.1.1を使用。
- 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
次の記事
初心者のための理解可能なインプット
理解可能なインプットは、話の中身を追えるようになって初めて効き始める。そこまで速くたどり着く方法と、準備ができたサインを Christian Lauer が解説する。
頭の中の翻訳をやめる方法：話すより先に「聞いてわかる」が来る
頭の中の翻訳をやめるには、理解できる言葉を浴び続けて、脳が翻訳を必要としなくなるまで持っていくしかない。翻訳は、その言語との直接の経験が足りないときに脳が作る回り道だ。解決策はコツでも精神論でもなく、量。だいたい意味がわかる本物の音声を何時間も聞き、母語を経由せずに音から意味へ直通する道を脳に作らせること。
中国語学習に「理解可能なインプット」が効く理由
中国語の最大の壁、声調、漢字の読み書き、話し言葉と書き言葉の差は、どれもルールより先に耳で覚えるものだ。文法練習や単語カードは、切り離された中国語しか教えてくれない。理解可能なインプットは、ネイティブが実際に話すままの速さ、文脈、声調とリズムごと中国語を覚えさせる。その違いが、この記事のすべてだ。