Сколько слов нужно, чтобы понимать видео носителей?
Если знать 5000 самых частых английских слов, в типичном ролике носителя тебе знакомы 95,6% слов. Испанскому нужно около 6800 слов, чтобы дойти до 95%, а в 13 языках из 23 не хватает и 10 000. Данные по 35 615 роликам носителей — по языкам и по уровням.
Chief Language Geek @ Reelang
Если ты знаешь 5000 самых частых английских слов, то в типичном англоязычном ролике носителя тебе знакомы 95,6% слов, а 58,4% роликов доходят до 95% — уровня, на котором, по исследованиям аудирования, человек понимает речь хорошо. Испанскому нужно около 6800 слов, чтобы типичный ролик дошёл до 95%, а в 13 языках из 23, которые я измерил, не хватает и 10 000 слов.
Эти числа получены по 35 615 роликам носителей на 23 языках из каталога Reelang: каждое слово сверялось с частотным списком для своего языка. Выбери язык и размер словаря ниже и посмотри, что это даёт.
Первая тысяча слов делает основную работу
Частотность слов устроена неравномерно. Несколько сотен слов (the, and, is, you, que, de) составляют огромную долю всего, что люди говорят, и каждое следующее слово в списке встречается реже. Эта закономерность известна как закон Ципфа, и она работает во всех языках здесь.
По 18 языкам, которые я могу ранжировать без оговорок, типичный ролик покрыт первой тысячей слов на 80,7%, первыми 2000 — на 86,7%, первыми 5000 — на 92,4%. Первая тысяча слов даёт четыре знакомых слова из пяти. Следующие четыре тысячи добавляют около двенадцати пунктов.
Важные для аудирования пороги находятся внутри этих последних пунктов. Два из них постоянно всплывают в работах о том, сколько слов нужно:
- 95% — одно незнакомое слово из 20. Батиа Лауфер предложила этот порог для чтения в 1989 году. Для аудирования van Zeeland and Schmitt (2013) обнаружили, что большинство слушателей справлялось уже при 90%, а при 95% те, для кого язык неродной, понимали хорошо и с гораздо меньшим разбросом между собой.
- 98% — одно незнакомое слово из 50. Hu and Nation (2000) выяснили, что при самостоятельном чтении художественной прозы для достаточного понимания нужно примерно столько.
При 150 словах в минуту — обычном темпе речи — 95% означают около семи незнакомых слов каждую минуту (Nation, 2006). 98% — три. Эту разницу можно почувствовать в примере ниже. В нём взяты реальные реплики из роликов исследования, и скрыто каждое слово, которого нет среди выбранных тобой частых слов.
При 2000 слов реплика про фрикадельки знакома на 58,3%: albóndigas, parmesano, rallado и orégano вообще нет в списке, а perejil (петрушка) стоит на 13 520-м месте. Реплика про кота при тех же 2000 слов знакома на 96,2%. Оба ролика — испанские, и оба помечены как A2.
Английский и испанский в цифрах
Английский. Типичный ролик доходит до 90% при 2021 слове, до 95% при 4462 и до 98% при 9403. При 3000 слов 24,9% английских роликов имеют покрытие 95% и выше. При 5000 слов — 58,4%, а 15,2% достигают 98% и выше.
Испанский. Типичный ролик доходит до 90% при 2754 словах и до 95% при 6781. До 98% он в пределах 10 000 слов не доходит. При 3000 слов 10,8% испанских роликов имеют 95% и выше. При 5000 слов — 32,0%.
Значит, в испанском человек с 3000 слов находит примерно один ролик из десяти, где знакомы 95% слов. Это уже реальный запас для учёбы: слова, которых ты ещё не знаешь, встречаются в окружении знакомых. Вот один такой колумбийский ролик: 88,4% его слов входят в первую тысячу и 96,3% — в первые 2000.
Знать слова и расслышать их — не одно и то же. Говорящие в этом ролике выдают в среднем 243 слова в минуту, намного быстрее учебной записи. Покрытие словаря говорит, смог бы ты понять расшифровку. Оно не говорит, успеваешь ли ты за скоростью.
Пологие языки и крутые языки
Кривые устроены по-разному. В датском, шведском и нидерландском первая тысяча слов уже покрывает от 84,4% до 86,5% типичного ролика, а переход от 1000 к 5000 слов добавляет лишь 8,3–9,3 пункта. Английский, французский, испанский, португальский и итальянский добавляют на том же отрезке 11,5–12,6 пункта. Самые крутые кривые — у индонезийского (+20,8), украинского (+18,3), арабского (+18,1), русского (+16,5), финского (+15,3), турецкого (+15,2) и польского (+14,3).
Крутая кривая означает, что после первой тысячи слов в ролике остаётся больше непонятного, а каждая следующая тысяча ценнее. Отчасти дело в самом языке. Отчасти — в том, как считаются слова, и это стоит объяснить, прежде чем сравнивать два языка.
Списки здесь приведены к леммам: dije, dijo и decir считаются одним словом — decir. Для испанского это справедливо: у него много глагольных форм. Но лемматизатор работает только тогда, когда узнаёт форму. В чешском, финском, венгерском, русском и украинском от 9,0% до 10,8% словоупотреблений в типичном ролике — формы, которые список не смог привязать ни к одной лемме. Многие из них — обычные слова с падежным окончанием, которое инструмент не отрезал. Здесь они считаются незнакомыми, поэтому для этих пяти языков числа — нижняя граница: реальное покрытие выше. В таблице ниже они помечены звёздочкой.
Сложные слова похожим образом бьют по немецкому, нидерландскому и скандинавским языкам. Немецкое Küchenschrank (кухонный шкаф) считается незнакомым, если всего слова нет в списке, — даже если обе части ты знаешь.
Отметка уровня почти не меняет словарь
У каждого ролика в каталоге есть уровень CEFR, который ставит модель, читающая расшифровку. Здесь они сгруппированы в пять полос, от A1 (A0 считается как A1) до C1 (C2 считается как C1). Если бы отметка отражала словарь, более высоким уровням нужно было бы больше слов. В пределах первых 2000 слов этого почти нет. По медиане между языками (A1 набирает достаточно роликов в 11 языках, C1 — в 20) первые 2000 слов покрывают 84,0% ролика A1, 84,0% на A2, 85,2% на B1, 86,1% на B2 и 84,1% на C1.
Уровень проявляется в верхней части диапазона. При 5000 слов ты знал бы 95% слов в 30,2% роликов A1, 20,6% роликов A2, 22,6% роликов B1, 15,5% роликов B2 и 4,5% роликов C1. Отчасти дело в длине: медианный ролик C1 в выборке содержит 338 словоупотреблений, медианный A1 — 81. У короткого ролика меньше шансов употребить редкое слово.
Ролики с самым низким покрытием — в основном про еду. Из 25 английских роликов выборки с самым низким покрытием при 2000 слов примерно две трети — рецепты, обзоры еды или дегустации снеков, и 21 помечен как A1 или A2. В испанском 11 из нижних 25 — про еду, ещё три — детские песни. Грамматика в рецепте простая («добавь чеснок, перемешай, готово»), поэтому отметка низкая. А вот существительные непростые. В английском списке garlic — слово 6395, а tablespoon — 11 551. В испанском ajo — 6605, sartén (сковорода) — 11 125.
Вот два английских ролика. Первый — трейлер фильма с отметкой B2: 96,9% его слов входят в первые 2000, и порог 95% он проходит уже на 1300 словах. Второй — рецепт для мультиварки с отметкой A2: в первые 2000 входят 72,3% его слов, а 95% он проходит только на 11 551 слове — ранге слова tablespoon.
Трейлер тоже непростой, но по другой причине: его говорящие выдают в среднем 215 слов в минуту. Отметка уровня смешивает скорость, грамматику и словарь в одну букву, и теряется именно словарная часть. Если ты знаешь от 2000 до 5000 слов, смотри не только на уровень ролика, но и на его тему: еда, готовка и разговоры о товарах используют много слов из дальней части списка.
Варианты языка тоже различаются
Арабский измерен по отдельному частотному списку для каждого диалекта. У остальных языков один список на все варианты. При 2000 слов типичный ролик на египетском арабском покрыт на 86,1%, иракский — на 79,6%, марокканский — на 72,5%. Для марокканского 9,5% слов типичного ролика вообще нет в его списке, так что часть этого разрыва — проблема списка. Во французском квебекские ролики дают 90,6% против 87,6% у роликов из Франции. Бразильский португальский — 87,4%, европейский португальский — 80,3%, но фильтры прошёл всего 61 ролик на европейском португальском, и оцениваются они по другому списку, так что к этой цифре стоит относиться осторожно.
Как это соотносится с оценкой Нейшена
Самая известная цифра для устного английского взята из статьи Пола Нейшена 2006 года «How large a vocabulary is needed for reading and listening?». На корпусе устного новозеландского английского он получил, что 3000 словесных семей плюс имена собственные дают покрытие выше 95%, а для 98% нужно 6000–7000 семей. Webb and Rodgers (2009) получили похожие числа для киносценариев: 3000 семей плюс имена собственные и маргинальные слова дают 95,76%, а 6000 семей с теми же добавками — 98,15%.
Мои числа для английского выше: 4462 слова, чтобы типичный ролик дошёл до 95%, и 9403 — до 98%. Если взять все английские ролики как один длинный текст, 5000 слов покрывают 95,1%. Различие объясняется тремя причинами, и ни одна из них не значит, что какое-то исследование ошибается:
- Семьи больше, чем леммы. Словесная семья объединяет happy, unhappy, happiness и happily в одну единицу. Список лемм считает их четырьмя. Значит, 3000 семей соответствуют большему числу лемм.
- Список построен в основном на письменных текстах. Обычные разговорные слова стоят в нём ниже, чем ожидаешь: alright — слово 3102, kinda — 2333, bye — 3273.
- Короткие видео держатся одной темы. Двухминутный рецепт тратит большинство слов на лексику одной темы, тогда как долгий разговор переходит с темы на тему и чаще повторяет общие слова.
Что это значит, если ты учишь язык
Первые 2000–3000 слов стоит учить целенаправленно — по колоде или курсу, упорядоченному по частотности. К этому моменту заметная доля роликов носителей уже доступна на уровне 95%, а дальше многие новые слова можно подхватывать из контекста, а не из списка. В руководстве для начинающих Кристиан Лауэр рассказывает, как быстро дойти до этой точки.
После этого выбирай ролики по теме, а не только по уровню. Человек с 3000 испанских слов поймёт скетч про кота выше и всё равно потеряется в рецепте фрикаделек, хотя оба помечены как A2. А для чешского, финского, венгерского, русского и украинского жди, что эти числа выглядят страшнее, чем есть: многое из того, что засчитано как незнакомое, — знакомое слово с окончанием, которое тебе ещё не встречалось.
Если хочешь практиковаться на роликах вроде тех, что выше, на страницах испанского, английского и немецкого собраны ролики носителей по уровням, с такими же пословными субтитрами, как в роликах на этой странице. Подробнее о том, почему понимание идёт раньше речи: как перестать переводить в голове. Сколько часов видео на это уходит по языкам — в статье сколько времени нужно, чтобы выучить язык, там же калькулятор под твой уровень и ежедневное время.
Как я это измерял
Ролики. Все ролики были в каталоге Reelang 29 сентября 2026 года и находились в ротации: доступны публично, со звучащей речью, контент носителей (не уроки языка), не дублированные и на одном языке. По каждому языку я брал до 500 роликов на уровень CEFR и взвешивал каждый уровень по его доле в каталоге, чтобы числа описывали каталог целиком. Были удалены ролики короче 50 слов, ролики с повторяющимися строками субтитров (больше 30% строк), ролики быстрее 330 слов в минуту длительности и ролики, где больше 35% слов нет в списке языка (обычно это расшифровка не на том языке). После этого осталось 35 615 роликов на 23 ранжированных языках и 13,8 млн словоупотреблений. Медианный ролик длится 81 секунду. 35 600 из них — с YouTube, 8 — с TikTok и 7 — из Instagram.
Слова. Каждая расшифровка разбивается на слова по пробелам и пунктуации, приводится к нижнему регистру, цифры удаляются. Каждое слово ищется в частотном списке своего языка, построенном на wordfreq 3.1.1 (Speer, 2022): 25 000 самых частых словоформ, сгруппированных по леммам с помощью simplemma (для арабского, иврита и азиатских языков — другие инструменты) и упорядоченных по суммарной частоте каждой леммы. Формы, которых нет в списке, лемматизируются через simplemma как запасной вариант. Имена собственные (с заглавной буквы, не в начале предложения, отсутствующие в списке) и маргинальные слова вроде uh, mhm и haha считаются знакомыми — так же, как у Nation (2006) и Webb and Rodgers (2009). В немецком с заглавной буквы пишутся все существительные, а в хинди и арабском заглавных букв нет, поэтому для этих языков надбавки за имена собственные нет. В английском половинки стяжений считаются полными словами (didn't считается как did и not).
Числа. Покрытие — это доля словоупотреблений в ролике, чья лемма входит в первые N. Проценты выше — медианы по роликам. Для цифр «роликов на 95%» точный порог каждого ролика вычисляется по его собственным рангам слов, так что интерполяции нет. Показатель «типичный ролик доходит до 95% при» — это наименьший размер словаря, при котором медианный ролик проходит 95%.
Без ранжирования. В иврите приставки (ve-, ha-, be-, le-) не отделяются, поэтому знакомые слова считаются незнакомыми. Тамильские расшифровки — на разговорном тамильском, а список — на письменном. Японский, китайский и корейский считаются только по знаменательным словам, вьетнамский — по слогам, поэтому их числа нельзя сравнивать с остальными. Для ранжирования языку нужно минимум 300 роликов. У норвежского их 449, у всех остальных ранжированных языков — больше 1000. В турецком списке всего 9088 лемм, поэтому для турецкого графики обрываются на 8000 словах, а «10 000+» означает, что типичный ролик не доходит до 95% даже со всем списком.
Известные искажения. Числа описывают расшифровки, а не звук, поэтому ошибки распознавания речи тоже считаются словами. Идеальное знание первых N слов — идеальный случай, а идиомы не считаются единицами. Уровень CEFR — это суждение модели о расшифровке. И каталог собран для учащихся: в нём больше роликов с чёткой речью и широким интересом, так что это не случайная выборка всего, что есть на YouTube или в TikTok.
Используй эти данные
Графики и числа с этой страницы можно использовать в своих текстах, преподавании или исследованиях. Пожалуйста, ставь ссылку на эту страницу как на источник.
| Язык | Ролики | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% при |
|---|---|---|---|---|---|---|---|
| Датский | 1122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5292 |
| Английский | 2002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4462 |
| Шведский | 1325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6768 |
| Нидерландский | 1841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7109 |
| Французский | 1961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5804 |
| Норвежский | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9478 |
| Испанский | 2195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6781 |
| Португальский | 1865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6121 |
| Румынский | 1602 | 81,4% | 87,0% | 92,5% | 25,3% | 5,8% | 9586 |
| Эсперанто | 1007 | 80,0% | 86,3% | 92,3% | 28,6% | 4,5% | 10 000+ |
| Итальянский | 1880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9269 |
| Турецкий | 1322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10 000+ † |
| Немецкий | 1933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10 000+ |
| Греческий | 1796 | 78,0% | 83,5% | 89,0% | 6,7% | 1,0% | 10 000+ |
| Хинди | 1417 | 77,2% | 82,4% | 88,3% | 6,6% | 1,2% | 10 000+ |
| Арабский | 1916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10 000+ |
| Польский | 1503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10 000+ |
| Индонезийский | 1582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10 000+ |
| Чешский * | 1239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10 000+ |
| Финский * | 1565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10 000+ |
| Венгерский * | 1732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10 000+ |
| Русский * | 1305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10 000+ |
| Украинский * | 1056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10 000+ |
Столбцы 1000, 2000 и 5000: медианная доля словоупотреблений в ролике, покрытая первыми 1000, 2000 или 5000 леммами. 95%+ и 98%+: доля роликов, в которых человек, знающий первые 5000 лемм, знает минимум 95% или 98% слов. 95% при: размер словаря, при котором медианный ролик проходит 95% (10 000+ означает, что в пределах 10 000 это не происходит). * Нижняя граница: 9% слов типичного ролика и больше не удалось сопоставить со списком, так что реальное покрытие выше. † В турецком списке всего 9088 лемм: типичный турецкий ролик не доходит до 95% даже со всем списком.
Источники
- 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 (полный текст бесплатно)
- 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. Запись
- 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, бесплатный PDF
- Speer, R. (2022). wordfreq v3.0 [data and software]. Zenodo. doi.org/10.5281/zenodo.7199437. В этом исследовании использован релиз 3.1.1 с 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
Начни смотреть
Выбери язык и включай ленту. Реальная живая речь, оценённая по сложности восприятия. Без вступительного теста, без регистрации.
Выбери языкЧитать дальше
Понятный ввод для начинающих
Понятный ввод работает только тогда, когда ты уже понимаешь, о чём речь. Christian Lauer рассказывает, как быстро дойти до этой точки и как понять, что ты уже там.
Как перестать переводить в голове: почему понимание идёт раньше речи
Перевод в голове исчезает, когда мозг получает столько понятной речи, что переводить становится незачем. Нужен не хитрый приём, а объём: часы живой речи, которую ты в основном понимаешь.
Почему понятный ввод работает при изучении китайского
Понятный ввод работает для китайского потому, что главные сложности языка — тоны, иероглифы и большой разрыв между устной и письменной речью — усваиваются на слух раньше, чем по правилам. Грамматические упражнения и карточки учат узнавать китайский в изоляции, а понятный ввод — в том виде, в каком его реально произносят носители: на обычной скорости, в контексте, с живыми тонами и ритмом.