Сколько слов нужно, чтобы понимать видео носителей?
Если знать 5000 самых частых английских слов, в типичном ролике носителя знакомы 95,6 % слов. Испанскому нужно около 6800 слов, чтобы дойти до 95 %, а в 13 языках из 23 не хватает даже 10 000. Данные по 35 615 роликам носителей, по языкам и уровням.
Chief Language Geek @ Reelang
Если ты знаешь 5000 самых частых английских слов, то в типичном английском ролике носителя тебе знакомы 95,6 % слов, а 58,4 % роликов дотягивают до 95 % — уровня, на котором, по данным исследований аудирования, человек понимает хорошо. Испанскому нужно около 6800 слов, чтобы типичный ролик дошёл до 95 %, а в 13 из 23 языков, которые я измерил, 10 000 слов не хватает.
Эти цифры получены на 35 615 роликах носителей на 23 языках из каталога Reelang: каждое слово сверялось с частотным списком своего языка. Выбери ниже язык и размер словаря и посмотри, что он даёт.
Первая тысяча слов делает основную работу
Частотность слов устроена неравномерно. Несколько сотен слов (the, and, is, you, que, de) составляют огромную долю всего сказанного, и чем дальше по списку, тем реже слово встречается. Это закон Ципфа, и он работает во всех языках здесь.
По 18 языкам, которые можно сравнивать без оговорок, типичный ролик покрыт на 80,7 % первой тысячей слов, на 86,7 % — первыми двумя тысячами и на 92,4 % — первыми пятью. Первая тысяча даёт четыре знакомых слова из пяти. Следующие четыре тысячи добавляют около двенадцати пунктов.
Важные для аудирования пороги спрятаны в этих последних пунктах. Два из них постоянно всплывают в исследованиях о нужном объёме словаря:
- 95 %, одно незнакомое слово из 20. Батия Лауфер предложила этот порог для чтения в 1989 году. Для аудирования van Zeeland и Schmitt (2013) обнаружили, что большинство справлялось уже на 90 %, а на 95 % слушатели на втором языке понимали хорошо и с гораздо меньшим разбросом между собой.
- 98 %, одно незнакомое слово из 50. Hu и Nation (2000) выяснили, что при самостоятельном чтении художественной прозы для достаточного понимания нужно примерно столько.
При 150 словах в минуту — обычный темп речи — 95 % означает около семи незнакомых слов каждую минуту (Nation, 2006). 98 % — три. Эту разницу можно почувствовать в демо ниже. Там настоящие реплики из роликов исследования, и всё, что не входит в выбранный тобой топ, закрыто.
При 2000 словах реплика про тефтели знакома на 58,3 %: albóndigas, parmesano, rallado и orégano вообще не входят в список, а perejil (петрушка) стоит на 13 520-м месте. Реплика про кота при тех же 2000 словах знакома на 96,2 %. Оба ролика испанские, и у обоих стоит уровень A2.
Английский и испанский в цифрах
Английский. Типичный ролик доходит до 90 % при 2021 слове, до 95 % при 4462 и до 98 % при 9403. С 3000 слов 24,9 % английских роликов дают 95 % и выше. С 5000 слов — уже 58,4 %, а 15,2 % дают 98 % и выше.
Испанский. Типичный ролик доходит до 90 % при 2754 словах и до 95 % при 6781. До 98 % он не доходит и при 10 000. С 3000 слов 10,8 % испанских роликов дают 95 % и выше. С 5000 слов — 32,0 %.
То есть для испанского человек с запасом в 3000 слов найдёт примерно один ролик из десяти, где знакомо 95 % слов. Это уже реальный материал для учёбы: незнакомые слова встречаются в окружении знакомых. Вот один из таких колумбийских роликов: 88,4 % его слов входят в первую тысячу и 96,3 % — в первые две.
Знать слова и расслышать их — не одно и то же. Говорящие в этом ролике идут со средним темпом 243 слова в минуту, намного быстрее учебной записи. Покрытие словаря говорит, понял бы ты расшифровку. Оно не говорит, успеешь ли ты за скоростью.
Пологие языки и крутые языки
Форма кривых разная. В датском, шведском и нидерландском первая тысяча слов уже покрывает от 84,4 % до 86,5 % типичного ролика, а переход от 1000 к 5000 добавляет всего 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 в ролике остаётся больше незнакомого, зато каждая следующая тысяча ценнее. Отчасти дело в самом языке. Отчасти — в том, как считаются слова, и это надо объяснить до любых сравнений.
Списки здесь лемматизированы: dije, dijo и decir считаются одним словом, decir. Это честно по отношению к испанскому с его обилием глагольных форм. Но лемматизатор работает, только если узнаёт форму. В чешском, финском, венгерском, русском и украинском от 9,0 % до 10,8 % словоупотреблений в типичном ролике — формы, которые список не смог привести к лемме. Многие из них — обычные слова с падежным окончанием, которое инструмент не отсёк. Здесь они считаются незнакомыми, так что для этих пяти языков цифры — нижняя граница: реальное покрытие выше. В таблице ниже они помечены звёздочкой.
Сложные слова так же играют против немецкого, нидерландского и скандинавских языков. Немецкое Küchenschrank (кухонный шкаф) считается незнакомым, если целого слова нет в списке, даже когда обе части тебе известны.
Метка уровня почти не меняет словарь
У каждого ролика в каталоге есть уровень CEFR, который ставит модель по расшифровке. Здесь они сведены в пять полос, от A1 (A0 идёт как A1) до C1 (C2 идёт как C1). Если бы метка отражала словарь, более высоким уровням требовалось бы больше слов. В пределах первых 2000 слов — почти нет. Если взять медиану по языкам (A1 набирает достаточно роликов в 11 из них, 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 у верхней границы. С 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. Часть причины — длина: медианный ролик C1 в выборке содержит 338 словоупотреблений, медианный A1 — 81. У короткого ролика меньше шансов использовать редкое слово.
Ролики с самым низким покрытием — в основном про еду. Из 25 английских роликов выборки с самым низким покрытием при 2000 словах примерно две трети — рецепты, обзоры еды или дегустации снеков, и 21 помечен как A1 или A2. В испанском 11 из нижних 25 — про еду, а три — детские песни. Грамматика в рецепте простая («добавь чеснок, перемешай, готово»), поэтому уровень низкий. А вот существительные — нет. В английском списке garlic стоит на 6395-м месте, tablespoon — на 11 551-м. В испанском ajo — 6605-е, sartén (сковорода) — 11 125-е.
Вот два английских ролика. Первый — трейлер фильма с меткой B2: 96,9 % его слов входят в первые 2000, и порог 95 % он проходит на 1300 словах. Второй — рецепт для мультиварки с меткой A2: в первые 2000 входит 72,3 % его слов, а 95 % достигается только на 11 551 слове — это ранг tablespoon.
Трейлер тоже не лёгкий, но по другой причине: его голоса идут со средним темпом 215 слов в минуту. Метка уровня смешивает скорость, грамматику и словарь в одну букву, и теряется как раз словарная часть. Если твой запас между 2000 и 5000 слов, смотри не только на уровень ролика, но и на тему: еда, готовка и разговоры о товарах тянут много слов из глубины списка.
Варианты языка тоже различаются
Арабский измерен отдельным частотным списком для каждого диалекта. Для остальных языков список один на все варианты. При 2000 словах типичный египетский ролик покрыт на 86,1 %, иракский — на 79,6 %, марокканский — на 72,5 %. Для марокканского 9,5 % слов типичного ролика вообще отсутствуют в его списке, так что часть разрыва — на совести списка. Во французском ролики из Квебека дают 90,6 % против 87,6 % у роликов из Франции. Бразильский португальский — 87,4 %, европейский — 80,3 %, но фильтры прошли всего 61 европейский ролик, и считались они по другому списку, так что к этой цифре стоит относиться осторожно.
Как это соотносится с оценкой Nation
Самая известная цифра для устного английского — 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 словарных семей плюс имена собственные дают более 95 % покрытия, а для 98 % нужно 6000–7000 семей. Webb и Rodgers (2009) получили похожие цифры для киносценариев: 3000 семей плюс имена собственные и маргинальные слова дают 95,76 %, а 6000 семей с теми же добавками — 98,15 %.
Мои цифры 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 %. Расхождение объясняется тремя причинами, и ни одна не означает, что какое-то исследование ошибается:
- Семьи больше, чем леммы. Словарная 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. Обиходные разговорные слова стоят в нём ниже, чем ожидаешь: alright — 3102-е слово, kinda — 2333-е, bye — 3273-е.
- Короткие видео держатся одной темы. Двухминутный рецепт тратит почти все слова на лексику одной темы, тогда как длинный разговор ходит кругами и чаще переиспользует общие слова.
Что из этого следует, если ты учишь язык
Первые 2000–3000 слов стоит выучить целенаправленно, по колоде или курсу, построенным по частотности. К этому моменту заметная доля роликов носителей уже доступна на уровне 95 %, и дальше можно набирать много новых слов из контекста, а не из списка. В руководстве для начинающих Кристиан Лауэр объясняет, как быстро дойти до этой точки.
Дальше выбирай ролики по теме, а не только по уровню. Человек с 3000 испанских слов поймёт сценку про кота выше и всё равно потеряется в рецепте тефтелей, хотя у обоих метка A2. А для чешского, финского, венгерского, русского и украинского считай, что цифры здесь выглядят страшнее реальности: многое из «незнакомого» — это знакомое слово с окончанием, которое тебе ещё не встречалось.
Если хочешь потренироваться на таких же роликах, страницы испанского, английского и немецкого собирают ролики носителей по уровням, с теми же пословными субтитрами, что и на этой странице. Подробнее о том, почему понимание идёт раньше речи: как перестать переводить в голове.
Как я это измерял
Ролики. Все ролики были в каталоге Reelang на 29 сентября 2026 года и находились в ротации: публично показывались, со звучащей речью, контент носителей (не уроки языка), без дубляжа и на одном языке. Для каждого языка я брал до 500 роликов на уровень CEFR и взвешивал каждый уровень по его доле в каталоге, чтобы цифры описывали каталог целиком. Ролики короче 50 слов, ролики с повторяющимися строками субтитров (более 30 % строк), ролики быстрее 330 слов в минуту длительности и ролики, где более 35 % слов отсутствуют в списке языка (обычно это расшифровка не на том языке), были исключены. После этого осталось 35 615 роликов на 23 ранжированных языках и 13,8 миллиона словоупотреблений. Медианный ролик длится 81 секунду. 35 600 из них — с YouTube, 8 — из TikTok и 7 — из Instagram.
Слова. Каждая расшифровка разбивается на слова по пробелам и знакам препинания, 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 леммы. Формы вне списка лемматизируются simplemma как запасным вариантом. 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 у Webb и Rodgers (2009). В немецком с заглавной пишутся все существительные, а в хинди и арабском заглавных букв нет, поэтому эти языки не получают поблажки на имена собственные. В английском половинки стяжений считаются полными словами (didn't считается как did и not).
Цифры. Покрытие — это доля словоупотреблений ролика, чья лемма входит в топ N. Проценты выше — медианы по роликам. Для показателей «роликов на 95 %» порог каждого ролика вычисляется по его собственным рангам слов, без интерполяции. Показатель «типичный ролик доходит до 95 % при» — это наименьший размер словаря, при котором медианный ролик проходит 95 %.
Без ранга. В иврите приставки (ve-, ha-, be-, le-) не отделяются, поэтому знакомые слова считаются незнакомыми. Тамильские расшифровки — это разговорный тамильский, а список — письменный. Японский, китайский и корейский считаются только по знаменательным словам, а вьетнамский — по слогам, поэтому их цифры несравнимы с остальными. Для ранжирования языку нужно минимум 300 роликов. У норвежского 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. Цифры описывают расшифровки, а не звук, поэтому ошибки распознавания речи считаются словами. Идеальное знание всех топ-N слов — это идеальный случай, а идиомы не считаются единицами. Уровень CEFR — суждение модели о расшифровке. И каталог подобран для учащихся: в нём больше роликов с чёткой речью и широкой темой, так что это не случайная выборка всего YouTube или TikTok.
Используй эти данные
Графики и цифры с этой страницы можно переиспользовать 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 ролика, покрытая первыми 1000, 2000 или 5000 леммами. 95 %+ и 98 %+: доля роликов, в которых знающий первые 5000 лемм понимает не менее 95 % или 98 % слов. 95 % при: размер словаря, при котором медианный ролик проходит 95 % (10 000+ значит, что в пределах 10 000 не проходит). * Нижняя граница: 9 % и более слов типичного ролика не удалось сопоставить со списком, поэтому 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 [данные и ПО]. 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 тестов, без регистрации.
Выбери языкЧитать дальше
Понятный ввод для начинающих
Понятный ввод работает только тогда, когда ты уже улавливаешь смысл сказанного. Christian Lauer — о том, как быстро дойти до этой точки и как понять, что ты уже там.
Как перестать переводить в голове: почему понимание идёт раньше речи
Переводить в голове перестаёшь тогда, когда мозг получает столько понятной речи, что перевод ему больше не нужен. Перевод — это костыль, который мозг строит из-за нехватки прямого опыта с языком. Лекарство не в хитрости и не в силе воли, а в объёме: часы слушания живой речи, которую ты в основном понимаешь, пока мозг не проложит прямой путь от звука к смыслу.
Почему понятный ввод работает для изучающих китайский
Понятный ввод работает для китайского потому, что главные трудности этого 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. Понятный ввод учит узнавать его таким, каким его правда произносят носители: в обычном темпе, в контексте, с сохранёнными тонами и ритмом.