영어에서 가장 흔한 5,000단어를 안다면, 보통의 영어 원어민 영상 클립은 아는 단어가 95.6%다. 그리고 클립의 58.4%가 95%에 도달한다. 듣기 연구에서 학습자가 잘 이해한다고 보는 수준이 바로 이 95%다. 스페인어는 보통의 클립이 95%에 닿으려면 약 6,800단어가 필요하다. 내가 측정한 23개 언어 중 13개에서는 10,000단어로도 모자란다.
이 수치는 Reelang 카탈로그에 있는 23개 언어, 35,615개 원어민 클립에서 나왔다. 각 언어의 빈도 목록과 대조해 단어를 하나씩 세었다. 아래에서 언어와 어휘량을 골라 결과를 확인해 보자.
첫 1,000단어가 대부분을 해결한다
단어 빈도는 한쪽으로 크게 쏠려 있다. 몇백 개의 단어(the, and, is, you, que, de)가 사람들이 말하는 내용의 상당 부분을 차지하고, 목록에서 아래로 내려갈수록 등장 빈도는 줄어든다. 이 패턴을 지프의 법칙이라고 하며, 여기 나오는 모든 언어에서 똑같이 나타난다.
단서 없이 순위를 매길 수 있는 18개 언어를 보면, 보통의 클립은 상위 1,000단어로 80.7%, 상위 2,000단어로 86.7%, 상위 5,000단어로 92.4%가 커버된다. 첫 1,000단어만으로 다섯 단어 중 네 단어를 아는 셈이다. 다음 4,000단어는 약 12포인트를 더해 준다.
듣기에서 중요한 기준선은 마지막 몇 포인트 안에 들어 있다. 어휘가 몇 개 필요한지 다루는 연구에서 반복해서 등장하는 기준이 둘 있다.
- 95%, 스무 단어 중 모르는 단어 하나. Batia Laufer가 1989년에 읽기 기준으로 제안했다. 듣기의 경우 van Zeeland와 Schmitt(2013)는 대부분의 청자가 이미 90%에서 버텨 냈고, 95%에서는 제2언어 청자들이 개인차 없이 잘 이해했다고 밝혔다.
- 98%, 쉰 단어 중 모르는 단어 하나. Hu와 Nation(2000)은 혼자 소설을 읽는 학습자가 충분히 이해하려면 이 정도가 필요하다고 보았다.
보통의 말하기 속도인 분당 150단어에서 95%란 1분에 모르는 단어가 약 일곱 개라는 뜻이다(Nation, 2006). 98%면 세 개다. 아래 데모에서 그 차이를 직접 느껴 볼 수 있다. 연구에 쓰인 클립의 실제 문장을 가져와, 고른 상위 단어에 없는 단어를 모두 가린다.
2,000단어 기준으로 미트볼 문장은 58.3%만 아는 단어다. albóndigas, parmesano, rallado, orégano는 목록에 아예 없고, perejil(파슬리)은 13,520위다. 고양이에 관한 문장은 같은 2,000단어에서 96.2%가 아는 단어다. 둘 다 스페인어고, 둘 다 A2로 분류돼 있다.
영어와 스페인어, 숫자로 보기
영어. 보통의 클립은 2,021단어에서 90%, 4,462단어에서 95%, 9,403단어에서 98%에 도달한다. 3,000단어를 알면 영어 클립의 24.9%가 95% 이상이다. 5,000단어면 58.4%가 95% 이상이고, 15.2%가 98% 이상이다.
스페인어. 보통의 클립은 2,754단어에서 90%, 6,781단어에서 95%에 도달한다. 98%는 10,000단어 안에서 닿지 않는다. 3,000단어면 스페인어 클립의 10.8%가 95% 이상이다. 5,000단어면 32.0%다.
그러니까 스페인어 학습자가 3,000단어를 알면 열 개 중 하나 정도는 단어의 95%가 익숙한 클립을 찾을 수 있다. 이 정도면 배울 거리로 충분하다. 아직 모르는 단어가 아는 단어들 사이에 둘러싸여 나오기 때문이다. 아래 콜롬비아 클립이 그런 예다. 단어의 88.4%가 상위 1,000단어, 96.3%가 상위 2,000단어 안에 있다.
단어를 아는 것과 귀로 잡아내는 것은 다르다. 이 클립의 화자들은 중앙값 기준 분당 243단어로 말한다. 교재 녹음보다 훨씬 빠르다. 어휘 커버리지는 대본을 이해할 수 있는지를 알려 줄 뿐, 속도를 따라갈 수 있는지는 알려 주지 않는다.
완만한 언어와 가파른 언어
곡선의 모양은 언어마다 다르다. 덴마크어, 스웨덴어, 네덜란드어에서는 상위 1,000단어가 보통 클립의 84.486.5%를 이미 덮는다. 1,000단어에서 5,000단어로 늘려도 8.39.3포인트밖에 늘지 않는다. 영어, 프랑스어, 스페인어, 포르투갈어, 이탈리아어는 같은 구간에서 11.5~12.6포인트가 는다. 가장 가파른 곡선은 인도네시아어(+20.8), 우크라이나어(+18.3), 아랍어(+18.1), 러시아어(+16.5), 핀란드어(+15.3), 터키어(+15.2), 폴란드어(+14.3)다.
곡선이 가파르다는 건 첫 1,000단어로 덮이지 않는 부분이 많고, 그다음 1,000단어마다 가치가 더 크다는 뜻이다. 일부는 언어 자체 때문이고, 일부는 단어를 세는 방식 때문이다. 두 언어를 비교하기 전에 이 점을 짚고 넘어가야 한다.
여기 쓰인 목록은 표제어로 묶여 있다. dije, dijo, decir는 모두 decir 하나로 센다. 동사 변화형이 많은 스페인어에는 공정한 방식이다. 하지만 표제어 처리는 도구가 형태를 알아볼 때만 작동한다. 체코어, 핀란드어, 헝가리어, 러시아어, 우크라이나어에서는 보통 클립에 나오는 전체 단어의 9.0~10.8%가 어떤 표제어에도 연결되지 않았다. 그중 상당수는 도구가 격 어미를 떼어 내지 못한 평범한 단어다. 여기서는 이런 단어를 모르는 단어로 세기 때문에, 이 다섯 언어의 수치는 최저선이다. 실제 커버리지는 더 높다. 아래 표에서 별표로 표시했다.
독일어, 네덜란드어, 북유럽 언어는 합성어 때문에 비슷하게 손해를 본다. Küchenschrank(부엌 찬장) 같은 독일어 합성어는 합성어 전체가 목록에 없으면 모르는 단어로 센다. 두 부분을 다 알아도 마찬가지다.
레벨 표시는 어휘를 거의 바꾸지 않는다
카탈로그의 모든 클립에는 CEFR 레벨이 붙어 있다. 대본을 읽은 모델이 매긴 값이다. 여기서는 A1(A0은 A1로 계산)부터 C1(C2는 C1로 계산)까지 다섯 구간으로 묶었다. 레벨이 어휘를 반영한다면 높은 레벨일수록 더 많은 단어가 필요해야 한다. 첫 2,000단어 구간에서는 거의 그렇지 않다. 언어별 중앙값을 보면(A1은 11개 언어, C1은 20개 언어에서 클립이 충분하다) 상위 2,000단어가 A1 클립의 84.0%, A2의 84.0%, B1의 85.2%, B2의 86.1%, C1의 84.1%를 덮는다.
레벨 차이는 구간 위쪽에서 드러난다. 5,000단어를 알면 A1 클립의 30.2%, A2의 20.6%, B1의 22.6%, B2의 15.5%, C1의 4.5%에서 단어의 95%를 알게 된다. 길이도 한몫한다. 표본에서 C1 클립의 중앙값은 전체 338단어, A1 클립은 81단어다. 짧은 클립은 드문 단어가 나올 기회가 적다.
커버리지가 가장 낮은 클립은 대부분 음식 이야기다. 표본의 영어 클립 중 2,000단어 기준 커버리지가 가장 낮은 25개를 보면 약 3분의 2가 레시피, 음식 리뷰, 간식 시식이고, 21개가 A1이나 A2로 분류돼 있다. 스페인어에서는 하위 25개 중 11개가 음식, 3개가 동요다. 레시피의 문법은 단순하다(〈마늘을 넣고, 저어 주고, 끝〉). 그래서 레벨이 낮게 붙는다. 하지만 명사는 그렇지 않다. 영어 목록에서 garlic은 6,395위, tablespoon은 11,551위다. 스페인어에서 ajo는 6,605위, sartén(프라이팬)은 11,125위다.
영어 클립 두 개를 보자. 첫 번째는 B2로 분류된 영화 예고편이다. 단어의 96.9%가 상위 2,000단어 안에 있고, 1,300단어에서 95%를 넘는다. 두 번째는 A2로 분류된 슬로쿠커 레시피다. 단어의 72.3%만 상위 2,000단어 안에 있고, tablespoon의 순위인 11,551단어에 가서야 95%를 넘는다.
예고편도 쉽지는 않다. 이유가 다를 뿐이다. 화자들이 중앙값 분당 215단어로 말한다. 레벨 표시는 속도, 문법, 어휘를 글자 하나로 뭉뚱그리고, 그 과정에서 어휘 쪽이 사라진다. 2,000에서 5,000단어 사이를 안다면 클립의 레벨만이 아니라 주제도 보자. 음식, 요리, 제품 이야기는 목록 한참 아래쪽 단어를 많이 쓴다.
변종끼리도 다르다
아랍어는 방언마다 별도의 빈도 목록으로 측정했다. 다른 언어는 모든 변종에 하나의 목록을 썼다. 2,000단어 기준으로 보통의 이집트 아랍어 클립은 86.1%, 이라크 아랍어는 79.6%, 모로코 아랍어는 72.5%가 커버된다. 모로코 아랍어는 보통 클립 단어의 9.5%가 목록에 아예 없어서, 격차의 일부는 목록 탓이다. 프랑스어에서는 퀘벡 클립이 90.6%, 프랑스 본토 클립이 87.6%로 나온다. 브라질 포르투갈어는 87.4%, 유럽 포르투갈어는 80.3%지만, 유럽 포르투갈어는 필터를 통과한 클립이 61개뿐이고 다른 목록으로 채점되므로 조심해서 보는 게 좋다.
Nation의 추정치와 비교하면
영어 말하기에서 가장 널리 알려진 수치는 Paul Nation의 2006년 논문 〈How large a vocabulary is needed for reading and listening?〉에서 나왔다. 뉴질랜드 영어 구어 코퍼스를 써서, 3,000개 단어족에 고유명사를 더하면 95%가 넘고, 98%에는 6,000~7,000개 단어족이 필요하다고 보았다. Webb과 Rodgers(2009)는 영화 대본에서 비슷한 수치를 얻었다. 3,000개 단어족에 고유명사와 주변 단어를 더해 95.76%, 6,000개 단어족에 같은 항목을 더해 98.15%다.
내 영어 수치는 더 높다. 보통의 클립이 95%에 닿으려면 4,462단어, 98%에는 9,403단어다. 영어 클립 전체를 하나의 긴 텍스트로 묶으면 5,000단어가 95.1%를 덮는다. 수치가 다른 이유는 세 가지인데, 어느 쪽이 틀렸다는 뜻은 아니다.
- 단어족은 표제어보다 크다. 단어족은 happy, unhappy, happiness, happily를 하나로 묶는다. 표제어 목록은 네 개로 센다. 그래서 3,000개 단어족은 더 많은 수의 표제어에 해당한다.
- 목록은 대부분 문어에서 만들어졌다. 일상 구어 단어가 예상보다 아래쪽에 있다. alright는 3,102위, kinda는 2,333위, bye는 3,273위다.
- 짧은 영상은 하나의 주제에 머문다. 2분짜리 레시피는 단어 대부분을 한 주제의 어휘에 쓴다. 반면 긴 대화는 여기저기 옮겨 다니며 일반적인 단어를 더 자주 재사용한다.
언어를 배우는 사람에게 주는 의미
첫 2,000~3,000단어는 작정하고 외울 가치가 있다. 빈도순 덱이나 강의를 쓰면 된다. 그 지점에 이르면 원어민 클립 중 상당수가 95% 안에 들어오고, 거기서부터는 목록 대신 맥락에서 새 단어를 많이 주워 담을 수 있다. 거기까지 빨리 가는 방법은 Christian Lauer의 초보자를 위한 안내에 정리돼 있다.
그다음에는 레벨만 보지 말고 주제로 클립을 고르자. 스페인어 3,000단어를 아는 학습자는 위의 고양이 영상은 따라갈 수 있지만 미트볼 레시피에서는 길을 잃는다. 둘 다 A2인데도 그렇다. 체코어, 핀란드어, 헝가리어, 러시아어, 우크라이나어라면 여기 수치가 실제보다 어렵게 느껴질 거라고 생각하자. 모르는 단어로 집계된 것 중 상당수는 아직 못 본 어미가 붙은, 이미 아는 단어다.
위와 같은 클립으로 연습하고 싶다면 스페인어, 영어, 독일어 페이지에 레벨별 원어민 클립이 정리돼 있다. 이 페이지의 클립과 같은 단어별 자막이 달려 있다. 말하기보다 이해가 먼저인 이유는 머릿속에서 번역하는 습관 끊는 법에서 더 다룬다.
측정 방법
클립. 모든 클립은 2026년 9월 29일 기준 Reelang 카탈로그에 있었고 순환 중이었다. 공개 노출되고, 말소리가 있고, 원어민 콘텐츠(어학 강의가 아닌 것)이며, 더빙이 아니고, 한 언어로 된 것이다. 언어마다 CEFR 레벨별로 최대 500개 클립을 표집하고, 각 레벨에 카탈로그 내 비중만큼 가중치를 줬다. 그래서 수치는 카탈로그 전체를 설명한다. 50단어 미만인 클립, 자막 한 줄이 반복되는 클립(전체 줄의 30% 초과), 재생 시간 대비 분당 330단어보다 빠른 클립, 단어의 35% 이상이 해당 언어 목록에 없는 클립(대개 대본 언어가 잘못된 경우)은 제외했다. 그 결과 순위를 매긴 23개 언어에서 35,615개 클립, 전체 1,380만 단어가 남았다. 클립 길이의 중앙값은 81초다. 35,600개가 YouTube, 8개가 TikTok, 7개가 Instagram에서 왔다.
단어. 각 대본은 공백과 문장부호를 기준으로 단어로 나누고, 소문자로 바꾸고, 숫자를 제거했다. 각 단어는 해당 언어의 빈도 목록에서 찾았다. 이 목록은 wordfreq 3.1.1(Speer, 2022)로 만들었다. 가장 빈번한 단어형 25,000개를 simplemma로 표제어별로 묶고(아랍어, 히브리어, 아시아 언어는 다른 도구 사용), 표제어별 총 빈도로 순위를 매겼다. 목록에 없는 형태는 simplemma로 표제어화해 보완했다. 고유명사(대문자로 시작하고, 문장 처음이 아니며, 목록에 없는 단어)와 uh, mhm, haha 같은 주변 단어는 아는 단어로 쳤다. Nation(2006)과 Webb·Rodgers(2009)가 한 방식이다. 독일어는 모든 명사를 대문자로 쓰고, 힌디어와 아랍어에는 대문자가 없어서 이 언어들에는 고유명사 가산점을 주지 않았다. 영어에서 축약형의 각 부분은 원래 단어로 셌다(didn't는 did와 not으로 계산).
수치. 커버리지는 클립의 전체 단어 중 표제어가 상위 N 안에 드는 단어의 비율이다. 위의 백분율은 클립별 중앙값이다. 〈95%에 도달한 클립〉 수치는 각 클립의 단어 순위에서 정확한 임계값을 직접 계산해서, 보간이 없다. 〈보통의 클립이 95%에 도달하는 지점〉은 중앙값 클립이 95%를 넘는 가장 작은 어휘량이다.
순위에서 제외. 히브리어 접두사(ve-, ha-, be-, le-)는 분리하지 않아서 아는 단어가 모르는 단어로 집계된다. 타밀어 대본은 구어 타밀어인데 목록은 문어 타밀어다. 일본어, 중국어, 한국어는 내용어만 세고, 베트남어는 음절로 세기 때문에 나머지와 비교할 수 없다. 순위에 들려면 클립이 최소 300개 필요하다. 노르웨이어는 449개이고, 순위에 든 나머지 언어는 모두 1,000개가 넘는다. 터키어 목록에는 표제어가 9,088개뿐이라, 터키어 차트는 8,000단어에서 멈추고 〈10,000+〉는 보통의 클립이 목록 전체로도 95%에 닿지 않는다는 뜻이다.
알려진 편향. 이 수치는 음성이 아니라 대본을 설명한다. 그래서 음성 인식 오류도 단어로 센다. 상위 N 단어를 완벽히 안다는 건 이상적인 가정이고, 관용구는 한 단위로 세지 않았다. CEFR 레벨은 모델이 대본을 보고 내린 판단이다. 그리고 카탈로그는 학습자를 위해 고른 것이라, 발음이 또렷하고 폭넓게 통하는 클립 쪽으로 기울어 있다. YouTube나 TikTok 전체의 무작위 표본이 아니다.
이 데이터 쓰기
이 페이지의 차트와 수치는 글, 수업, 연구에 자유롭게 다시 써도 된다. 출처로 이 페이지를 링크해 주면 좋겠다.
| 언어 | 클립 수 | 1,000 | 2,000 | 5,000 | 95%+ | 98%+ | 95% 도달 |
|---|---|---|---|---|---|---|---|
| 덴마크어 | 1,122 | 86.5% | 91.1% | 94.8% | 47.0% | 8.4% | 5,292 |
| 영어 | 2,002 | 83.7% | 89.9% | 95.6% | 58.4% | 15.2% | 4,462 |
| 스웨덴어 | 1,325 | 85.6% | 89.8% | 94.0% | 37.6% | 5.6% | 6,768 |
| 네덜란드어 | 1,841 | 84.4% | 89.0% | 93.7% | 32.2% | 3.5% | 7,109 |
| 프랑스어 | 1,961 | 82.7% | 88.4% | 94.2% | 40.1% | 5.8% | 5,804 |
| 노르웨이어 | 449 | 83.5% | 88.1% | 93.0% | 25.0% | 3.8% | 9,478 |
| 스페인어 | 2,195 | 81.6% | 87.3% | 93.5% | 32.0% | 5.4% | 6,781 |
| 포르투갈어 | 1,865 | 81.4% | 87.2% | 94.0% | 38.4% | 7.3% | 6,121 |
| 루마니아어 | 1,602 | 81.4% | 87.0% | 92.5% | 25.3% | 5.8% | 9,586 |
| 에스페란토 | 1,007 | 80.0% | 86.3% | 92.3% | 28.6% | 4.5% | 10,000+ |
| 이탈리아어 | 1,880 | 79.7% | 85.6% | 91.9% | 21.2% | 2.7% | 9,269 |
| 터키어 | 1,322 | 77.1% | 85.6% | 92.3% | 25.4% | 5.5% | 10,000+ † |
| 독일어 | 1,933 | 80.0% | 84.8% | 90.3% | 11.3% | 1.1% | 10,000+ |
| 그리스어 | 1,796 | 78.0% | 83.5% | 89.0% | 6.7% | 1.0% | 10,000+ |
| 힌디어 | 1,417 | 77.2% | 82.4% | 88.3% | 6.6% | 1.2% | 10,000+ |
| 아랍어 | 1,916 | 73.1% | 82.2% | 91.2% | 17.8% | 2.7% | 10,000+ |
| 폴란드어 | 1,503 | 73.9% | 81.0% | 88.2% | 8.2% | 1.0% | 10,000+ |
| 인도네시아어 | 1,582 | 68.6% | 80.6% | 89.4% | 10.4% | 2.3% | 10,000+ |
| 체코어 * | 1,239 | 73.4% | 80.0% | 86.8% | 3.9% | 0.5% | 10,000+ |
| 핀란드어 * | 1,565 | 71.7% | 79.3% | 87.0% | 3.6% | 0.8% | 10,000+ |
| 헝가리어 * | 1,732 | 71.7% | 78.1% | 84.5% | 0.4% | 0.0% | 10,000+ |
| 러시아어 * | 1,305 | 70.0% | 77.8% | 86.5% | 2.9% | 0.1% | 10,000+ |
| 우크라이나어 * | 1,056 | 65.4% | 73.4% | 83.7% | 0.8% | 0.0% | 10,000+ |
1,000, 2,000, 5,000 열: 클립의 전체 단어 중 상위 1,000개, 2,000개, 5,000개 표제어로 덮이는 비율의 중앙값. 95%+와 98%+: 상위 5,000개 표제어를 아는 학습자가 단어의 95% 또는 98% 이상을 아는 클립의 비율. 95% 도달: 중앙값 클립이 95%를 넘는 어휘량(10,000+는 10,000단어 안에서 넘지 못한다는 뜻). * 하한값: 보통 클립 단어의 9% 이상이 목록과 매칭되지 않아, 실제 커버리지는 더 높다. † 터키어 목록에는 표제어가 9,088개뿐이다. 보통의 터키어 클립은 목록 전체로도 95%에 닿지 않는다.
출처
- 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 (전문 무료)
- 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. 서지 정보
- 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, 무료 PDF
- Speer, R. (2022). wordfreq v3.0 [data and software]. Zenodo. doi.org/10.5281/zenodo.7199437. 이 연구는 github.com/rspeer/wordfreq의 3.1.1 릴리스를 사용했다.
- 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
다음 아티클
초보자를 위한 이해 가능한 입력
이해 가능한 입력은 말이 들리기 시작해야 효과가 납니다. 그 지점까지 빠르게 가는 법, 그리고 도착했는지 알아보는 법을 Christian Lauer가 알려줍니다.
머릿속 번역을 멈추는 법: 말하기보다 듣기 이해가 먼저인 이유
머릿속 번역은 뇌가 번역할 필요를 못 느낄 만큼 이해 가능한 말을 많이 들려줄 때 멈춘다. 번역은 언어 경험이 부족할 때 뇌가 만들어 낸 임시 우회로다. 해결책은 요령도 정신력도 아니고 양이다. 대부분 알아들을 수 있는 진짜 말을 수십 시간 듣다 보면, 모국어를 거치지 않고 소리에서 바로 의미로 가는 길이 생긴다.
중국어 학습에 이해 가능한 입력이 통하는 이유
중국어의 가장 큰 장벽인 성조, 한자 문해력, 말과 글의 큰 격차는 모두 규칙보다 귀로 먼저 익히는 영역이다. 문법 문제집과 플래시카드는 중국어를 낱개로 알아보게 해 주지만, 이해 가능한 입력은 원어민이 실제로 말하는 속도와 맥락, 성조와 리듬이 살아 있는 그대로를 알아듣게 해 준다.