영어에서 가장 자주 쓰이는 5,000단어를 안다면, 보통의 영어 원어민 영상 클립은 95.6%가 아는 단어다. 그리고 클립의 58.4%가 95%에 도달한다. 듣기 연구에서 학습자가 잘 이해한다고 보는 기준이 바로 이 95%다. 스페인어는 보통의 클립이 95%에 닿으려면 약 6,800단어가 필요하다. 내가 측정한 23개 언어 중 13개는 10,000단어로도 부족했다.
이 수치는 Reelang 카탈로그에 있는 23개 언어, 원어민 클립 35,615개에서 나왔다. 각 언어의 빈도 목록과 단어 하나하나를 대조해 셌다. 아래에서 언어와 어휘량을 골라 결과를 확인해 보자.
첫 1,000단어가 일을 거의 다 한다
단어 빈도는 한쪽으로 크게 쏠려 있다. 몇백 개의 단어(the, and, is, you, que, de)가 사람들이 말하는 내용의 큰 부분을 차지하고, 목록에서 아래로 갈수록 등장 횟수는 줄어든다. 이 패턴을 지프의 법칙이라고 하며, 여기 나온 모든 언어에서 들어맞는다.
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 채워진다. 첫 1,000단어만으로 다섯 단어 중 네 개를 아는 셈이다. 그다음 4,000단어는 약 12%포인트를 더한다.
듣기에서 중요한 기준선은 바로 그 마지막 몇 포인트 안에 있다. 필요한 단어 수를 다룬 연구에서 두 수치가 거듭 등장한다.
- 95%, 스무 단어 중 모르는 단어 하나. Batia Laufer가 1989년에 읽기 기준으로 제안했다. 듣기에서는 van Zeeland와 Schmitt(2013)이 대부분의 청자가 이미 90%에서 그럭저럭 따라갔고, 95%에서는 제2언어 청자들이 개인차 없이 잘 이해했다고 밝혔다.
- 98%, 쉰 단어 중 모르는 단어 하나. Hu와 Nation(2000)은 학습자가 혼자 소설을 읽고 충분히 이해하려면 이 정도가 필요하다고 봤다.
보통의 말 속도인 분당 150단어로 치면, 95%는 1분에 모르는 단어가 약 일곱 개라는 뜻이다(Nation, 2006). 98%는 세 개다. 아래 데모에서 그 차이를 직접 느낄 수 있다. 연구에 쓰인 실제 클립의 대사를 가져와, 네가 고른 상위 단어에 없는 단어를 모두 가린다.
2,000단어로 보면 미트볼 대사는 58.3%만 아는 단어다. albóndigas, parmesano, rallado, orégano는 목록에 아예 없고, perejil(파슬리)은 13,520위다. 고양이 이야기 대사는 같은 2,000단어에서 96.2%가 아는 단어다. 둘 다 스페인어이고 둘 다 A2로 표시돼 있다.
영어와 스페인어, 숫자로 보기
영어. 보통의 클립은 2,021단어에서 90%, 4,462단어에서 95%, 9,403단어에서 98%에 닿는다. 3,000단어면 영어 클립의 24.9%가 95% 이상이다. 5,000단어면 58.4%가 95% 이상, 15.2%가 98% 이상이다.
스페인어. 보통의 클립은 2,754단어에서 90%, 6,781단어에서 95%에 닿는다. 98%는 10,000단어 안에서 도달하지 못한다. 3,000단어면 스페인어 클립의 10.8%가 95% 이상이다. 5,000단어면 32.0%다.
즉 스페인어를 3,000단어 아는 학습자라면 단어의 95%가 익숙한 클립을 열 개 중 하나꼴로 찾을 수 있다. 꽤 쓸 만한 양이다. 아직 모르는 단어가 아는 단어들에 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 다른 문제다. 이 클립의 화자들은 중앙값 기준 분당 243단어로 말한다. 교재 녹음보다 훨씬 빠르다. 어휘 커버리지는 네가 대본을 이해할 수 있는지를 알려줄 뿐, 그 속도를 따라갈 수 있는지는 알려주지 않는다.
완만한 언어와 가파른 언어
곡선 모양이 다 같지는 않다. 덴마크어, 스웨덴어, 네덜란드어에서는 상위 1,000단어가 이미 보통 클립의 84.486.5%를 덮고, 1,000단어에서 5,000단어로 늘려도 8.39.3포인트밖에 더해지지 않는다. 영어, 프랑스어, 스페인어, 포르투갈어, 이탈리아어는 같은 구간에서 11.5~12.6포인트가 늘어난다. 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 1,000단어로는 클립에 모르는 부분이 더 많이 남고, 그 뒤로 1,000단어씩 늘릴 때마다 효과가 더 크다는 뜻이다. 일부는 언어 자체의 특성이고, 일부는 단어를 세는 방식 때문이다. 두 언어를 비교하기 전에 이 점을 짚어야 한다.
여기 쓰인 목록은 표제어로 묶여 있다. dije, dijo, decir는 모두 decir 하나로 센다. 동사 변화형이 많은 스페인어에는 공정한 방식이다. 그런데 표제어 추출기는 형태를 알아봐야만 작동한다. 체코어, 핀란드어, 헝가리어, 러시아어, 우크라이나어에서는 보통 클립에 나오는 단어의 9.0~10.8%가 어떤 표제어와도 연결되지 않았다. 그중 다수는 도구가 떼어내지 못한 격 어미가 붙은 평범한 단어다. 여기서는 모르는 단어로 계산되므로, 이 다섯 언어의 수치는 하한선이다. 실제 커버리지는 더 높다. 아래 표에서 별표로 표시했다.
복합어는 독일어, 네덜란드어, 북유럽 언어에 비슷하게 불리하게 작용한다. Küchenschrank(부엌 찬장) 같은 독일어 복합어는 두 부분을 다 알아도 복합어 전체가 목록에 없으면 모르는 단어로 센다.
레벨 표시는 어휘를 거의 바꾸지 않는다
카탈로그의 모든 클립에는 CEFR 레벨이 있고, 대본을 읽은 모델이 정한다. 여기서는 A1(A0은 A1에 포함)부터 C1(C2는 C1에 포함)까지 다섯 구간으로 묶었다. 레벨이 어휘를 따라간다면 높은 레벨일수록 더 많은 단어가 필요해야 한다. 첫 2,000단어에서는 거의 그렇지 않다. 언어별 중앙값을 보면(A1은 11개 언어, C1은 20개 언어에서 클립이 충분했다) 상위 2,000단어가 A1 클립의 84.0%, A2의 84.0%, B1의 85.2%, B2의 86.1%, C1의 84.1%를 덮는다.
레벨 차이는 상위 구간에서 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 이유 중 하나다. 표본에서 C1 클립의 중앙 단어 수는 338개, A1은 81개다. 짧은 클립은 드문 단어가 나올 기회가 적다.
커버리지가 가장 낮은 클립은 대부분 음식 이야기다. 2,000단어 기준으로 커버리지가 가장 낮은 영어 클립 25개 중 약 3분의 2가 레시피, 음식 리뷰, 간식 시식이고, 21개는 A1이나 A2로 표시돼 있다. 스페인어에서는 하위 25개 중 11개가 음식이고 세 개는 동요다. 레시피의 문법은 단순하다("마늘을 넣고, 젓고, 끝"). 그래서 레벨이 낮게 매겨진다. 그런데 명사는 단순하지 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 표시된 영화 예고편이다. 단어의 96.9%가 상위 2,000단어 안에 있고, 1,300단어에서 95%를 넘는다. 두 번째는 A2로 표시된 슬로쿠커 레시피다. 단어의 72.3%만 상위 2,000단어 안에 있고, tablespoon의 순위인 11,551단어에서야 95%를 넘는다.
예고편도 쉽지는 않다. 다른 이유에서다. 화자들이 중앙값 기준 분당 215단어로 말한다. 레벨 표시는 속도, 문법, 어휘를 알파벳 하나로 섞어 버리고, 그 과정에서 어휘 부분이 사라진다. 2,000~5,000단어를 안다면 레벨뿐 아니라 클립의 주제도 보자. 음식, 요리, 제품 이야기에는 목록 한참 아래쪽 단어가 많이 나온다.
변이형도 다르다
아랍어는 방언마다 별도의 빈도 목록으로 측정했다. 다른 언어는 모든 변이형에 하나의 목록을 썼다. 2,000단어 기준으로 보통의 이집트 아랍어 클립은 86.1%, 이라크 아랍어는 79.6%, 모로코 아랍어는 72.5%가 채워진다. 모로코 아랍어는 보통 클립 단어의 9.5%가 목록에 아예 없으므로, 그 격차 일부는 목록 탓이다. 프랑스어에서는 퀘벡 클립이 90.6%, 프랑스 클립이 87.6%다. 브라질 포르투갈어는 87.4%, 유럽 포르투갈어는 80.3%지만, 유럽 포르투갈어는 61개 클립만 필터를 통과했고 다른 목록으로 채점했으니 조심해서 받아들이자.
Nation의 추정치와 비교하면
영어 구어에 대해 가장 잘 알려진 수치는 Paul Nation의 2006년 논문 "How large a vocabulary is needed for reading and listening?"에서 나왔다. 뉴질랜드 영어 구어 말뭉치를 분석해, 3,000개 단어족에 고유명사를 더하면 95%가 넘고, 98%에는 6,000~7,000개 단어족이 필요하다고 했다. 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%였다.
내 영어 수치는 더 높다. 보통의 클립이 95%에 닿으려면 4,462단어, 98%에는 9,403단어다. 모든 영어 클립을 하나의 긴 텍스트로 합치면 5,000단어가 95.1%를 덮는다. 수치가 다른 이유는 세 가지이고, 어느 쪽도 틀렸다는 뜻은 아니다.
- 단어족은 표제어보다 크다. 단어족은 happy, unhappy, happiness, happily를 한 단위로 묶는다. 표제어 목록은 넷으로 센다. 그래서 3,000개 단어족은 더 많은 표제어에 해당한다.
- 목록이 주로 문어에서 만들어졌다. 일상 구어 단어는 생각보다 아래쪽에 있다. alright은 3,102위, kinda는 2,333위, bye는 3,273위다.
- 짧은 영상은 한 주제에만 머문다. 2분짜리 레시피는 단어 대부분을 한 주제의 어휘에 쓴다. 긴 대화는 주제를 옮겨 다니며 더 일반적인 단어를 반복해 쓴다.
언어를 배우는 사람에게 주는 의미
첫 2,000~3,000단어는 빈도순 덱이나 강의로 작정하고 외울 가치가 있다. 그 지점이면 원어민 클립 중 상당수가 95% 수준으로 손에 들어오고, 거기서부터는 목록이 아니라 맥락에서 새 단어를 많이 주울 수 있다. Christian Lauer의 초보자 가이드에 그 지점까지 빨리 가는 방법이 나온다.
그다음에는 레벨만이 아니라 주제로 클립을 고르자. 스페인어 3,000단어를 아는 학습자는 위의 고양이 영상은 따라가면서도 미트볼 레시피에서는 길을 잃을 수 있다. 둘 다 A2인데도 그렇다. 그리고 체코어, 핀란드어, 헝가리어, 러시아어, 우크라이나어는 여기 수치가 실제보다 어렵게 느껴질 것이다. 모르는 단어로 집계된 것 중 상당수는 아는 단어에 아직 못 본 어미가 붙은 형태다.
위와 같은 클립으로 연습하고 싶다면 스페인어, 영어, 독일어 페이지에 레벨별 원어민 클립이 정리돼 있다. 이 페이지의 클립과 똑같이 단어별 자막이 달려 있다. 말하기보다 이해가 먼저인 이유는 머릿속 번역을 멈추는 법에서 더 다룬다. 언어별로 영상 시청 시간이 얼마나 필요한지는 언어 하나 배우는 데 얼마나 걸릴까에 있다. 네 레벨과 하루 학습 시간에 맞춘 계산기도 있다.
측정 방법
클립. 2026년 9월 29일 기준 Reelang 카탈로그에 있고 노출 중인 클립을 모두 썼다. 공개된 것, 말이 있는 것, 원어민 콘텐츠(어학 강의 아님), 더빙이 아닌 것, 단일 언어인 것이 조건이다. 언어마다 CEFR 레벨별로 최대 500개를 표본으로 뽑고, 카탈로그 내 비중으로 레벨에 가중치를 줬다. 그래서 수치는 카탈로그 전체를 설명한다. 단어가 50개 미만인 클립, 같은 자막 줄이 반복되는 클립(전체 줄의 30% 초과), 재생 시간 대비 분당 330단어보다 빠른 클립, 단어의 35% 넘게 해당 언어 목록에 없는 클립(보통 대본 언어가 잘못된 경우)은 제외했다. 그 결과 순위를 매긴 23개 언어에서 클립 35,615개, 단어 1,380만 개가 남았다. 클립 길이의 중앙값은 81초다. 이 중 35,600개는 YouTube, 8개는 TikTok, 7개는 Instagram에서 왔다.
단어. 각 대본은 공백과 문장부호로 단어를 나누고, 소문자로 바꾸고, 숫자는 뺐다. 각 단어는 해당 언어의 빈도 목록에서 찾았다. 목록은 wordfreq 3.1.1(Speer, 2022)로 만들었다. 가장 빈도 높은 단어형 25,000개를 simplemma로 표제어별로 묶고(아랍어, 히브리어, 아시아 언어는 다른 도구 사용), 표제어별 총 빈도로 순위를 매겼다. 목록에 없는 형태는 simplemma로 표제어 추출을 한 번 더 시도했다. 고유명사(대문자로 시작하고, 문장 첫머리가 아니며, 목록에 없는 경우)와 uh, mhm, haha 같은 주변 단어는 아는 단어로 쳤다. Nation(2006)과 Webb·Rodgers(2009)의 방식이다. 독일어는 모든 명사를 대문자로 쓰고, 힌디어와 아랍어는 대문자가 없으므로 이 언어들에는 고유명사 혜택을 주지 않았다. 영어에서 축약형의 각 부분은 원래 단어로 셌다(didn't는 did와 not으로 계산).
수치. 커버리지는 클립에 나온 단어 중 표제어가 상위 N위 안에 드는 비율이다. 위의 백분율은 클립별 중앙값이다. "95%에 이른 클립" 수치는 각 클립의 단어 순위로 임계값을 직접 계산했으므로 보간은 없다. "보통의 클립이 95%에 닿는 지점"은 중앙값 클립이 95%를 넘기는 최소 어휘량이다.
순위에서 제외. 히브리어 접두사(ve-, ha-, be-, le-)는 분리하지 않아 아는 단어가 모르는 단어로 계산된다. 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 다른 언어는 모두 1,000개가 넘는다. 터키어 목록은 표제어가 9,088개뿐이라 차트가 8,000단어에서 멈추며, "10,000+"는 목록 전체로도 보통 클립이 95%에 닿지 않는다는 뜻이다.
알려진 편향. 이 수치는 음성이 아니라 대본을 설명하므로 음성 인식 오류도 단어로 센다. 상위 N단어를 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 데이터를 써도 된다
이 페이지의 차트와 수치는 글, 수업, 연구에 자유롭게 다시 써도 된다. 출처로 이 페이지를 링크해 주면 좋겠다.
| 언어 | 클립 | 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 칸: 상위 1,000개, 2,000개, 5,000개 표제어가 클립의 단어를 덮는 비율의 중앙값. 95%+와 98%+: 상위 5,000개 표제어를 아는 학습자가 단어의 95% 이상 또는 98% 이상을 아는 클립의 비율. 95% 도달: 중앙값 클립이 95%를 넘기는 어휘량(10,000+는 10,000단어 안에서 넘기지 못한다는 뜻). * 하한선: 보통 클립 단어의 9% 이상이 목록과 연결되지 않아 실제 커버리지는 더 높다. † 터키어 목록은 표제어가 9,088개뿐이다. 보통의 터키어 클립은 목록 전체로도 95%에 닿지 않는다.
참고 문헌
- 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. 기록
- 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 말을 따라갈 수 있어야 효과가 난다. Christian Lauer가 그 지점까지 빠르게 가는 방법과, 도착했는지 알아보는 신호를 알려준다.
머릿속 번역을 멈추는 법: 말하기보다 이해가 먼저인 이유
머릿속 번역을 멈추는 방법은 하나예요. 대부분 알아들을 수 있는 말을 뇌에 충분히 들려줘서, 번역할 필요 자체를 없애는 거죠. 요령이나 정신력의 문제가 아니라 양의 문제예요.
중국어 학습자에게 이해 가능한 입력이 통하는 이유
중국어의 가장 큰 벽인 성조, 한자 문해력, 말과 글의 큰 격차는 모두 규칙보다 귀로 먼저 익히는 것들이다. 문법 연습과 플래시카드는 중국어를 따로 떼어낸 상태로 알아보게 할 뿐, 원어민이 실제로 말하는 속도와 맥락, 성조와 리듬 그대로 알아듣게 해주지는 않는다.