Скільки слів потрібно, щоб розуміти відео носіїв?
Якщо знати 5000 найчастотніших англійських слів, у типовому відео носія 95,6% слів будуть знайомі. Для іспанської потрібно близько 6800 слів, щоб дійти до 95%, а в 13 із 23 мов навіть 10 000 замало. Дані з 35 615 відео носіїв, за мовами й рівнями.
Chief Language Geek @ Reelang
Якщо ти знаєш 5000 найчастотніших англійських слів, у типовому англомовному відео носія 95,6% слів тобі знайомі, а 58,4% відео сягають 95%, тобто рівня, на якому, за дослідженнями аудіювання, учні розуміють добре. Для іспанської потрібно близько 6800 слів, щоб типове відео дійшло до 95%, а в 13 із 23 виміряних мов 10 000 слів не вистачає.
Ці числа отримані з 35 615 відео носіїв 23 мовами з каталогу Reelang: кожне слово звірено з частотним списком відповідної мови. Обери нижче мову й розмір словникового запасу, щоб побачити результат.
Перша тисяча слів робить більшу частину роботи
Частотність слів дуже нерівномірна. Кількасот слів (the, and, is, you, que, de) становлять велику частку всього, що люди кажуть, і кожне наступне слово в списку трапляється рідше. Цю закономірність називають законом Ципфа, і вона працює в кожній мові з цього переліку.
У 18 мовах, які можна ранжувати без застережень, типове відео на 80,7% покрите першою тисячею слів, на 86,7% першими двома тисячами і на 92,4% першими п'ятьма тисячами. Перша тисяча дає чотири знайомі слова з п'яти. Наступні чотири тисячі додають близько дванадцяти пунктів.
Пороги, важливі для аудіювання, лежать усередині цих останніх пунктів. Два з них постійно згадують у дослідженнях про потрібний обсяг словника:
- 95%, одне незнайоме слово з 20. Батія Лауфер запропонувала цей поріг для читання в 1989 році. Для аудіювання ван Зееланд і Шмітт (2013) виявили, що більшість слухачів давали собі раду вже при 90%, а при 95% слухачі другої мови розуміли добре й із набагато меншим розкидом між собою.
- 98%, одне незнайоме слово з 50. Ху і Нейшн (2000) з'ясували, що учням, які самостійно читають художню літературу, потрібно приблизно стільки для достатнього розуміння.
При темпі 150 слів на хвилину, тобто звичайному темпі мовлення, 95% означає близько семи незнайомих слів щохвилини (Nation, 2006). 98% означає три. Цю різницю можна відчути в демо нижче. Воно бере справжні репліки з відео дослідження й ховає кожне слово, якого немає серед обраної тобою кількості найчастотніших.
Із 2000 слів репліка про фрикадельки знайома на 58,3%: albóndigas, parmesano, rallado та orégano взагалі немає в списку, а perejil (петрушка) стоїть на 13 520 місці. Репліка про кота при тих самих 2000 словах знайома на 96,2%. Обидва відео іспанською і обидва позначені як A2.
Англійська та іспанська в числах
Англійська. Типове відео сягає 90% при 2021 слові, 95% при 4462 словах і 98% при 9403 словах. Із 3000 слів 24,9% англомовних відео мають 95% або більше. Із 5000 слів таких уже 58,4%, а 15,2% мають 98% або більше.
Іспанська. Типове відео сягає 90% при 2754 словах і 95% при 6781 слові. До 98% воно не доходить навіть при 10 000 слів. Із 3000 слів 10,8% іспанських відео мають 95% або більше. Із 5000 слів таких 32,0%.
Отже, для іспанської людина з 3000 слів знайде приблизно одне відео з десяти, де 95% слів знайомі. Це реальний матеріал для навчання, бо слова, яких ти ще не знаєш, з'являються в оточенні знайомих. Ось одне з таких колумбійських відео: 88,4% його слів у першій тисячі і 96,3% у перших двох тисячах.
Знати слова і вловити їх, це різні речі. Мовці в тому відео говорять із медіанним темпом 243 слова на хвилину, набагато швидше за підручниковий запис. Покриття лексики показує, чи зміг би ти зрозуміти транскрипт. Воно не показує, чи встигаєш ти за швидкістю.
Пологі й круті мови
Криві мають різну форму. У данській, шведській і нідерландській перша тисяча слів уже покриває від 84,4% до 86,5% типового відео, а перехід від 1000 до 5000 слів додає лише 8,3–9,3 пункту. Англійська, французька, іспанська, португальська та італійська додають 11,5–12,6 пункту на тому самому відрізку. Найкрутіші криві в індонезійської (+20,8), української (+18,3), арабської (+18,1), російської (+16,5), фінської (+15,3), турецької (+15,2) та польської (+14,3).
Крута крива означає, що перша тисяча слів лишає більшу частину відео незнайомою, а кожна наступна тисяча важить більше. Частково це особливість мови. Частково це спосіб підрахунку слів, і його варто пояснити, перш ніж порівнювати дві мови.
Списки тут лематизовані: dije, dijo і decir рахуються як одне слово, decir. Це справедливо щодо іспанської, у якої багато дієслівних форм. Але лематизатор працює лише тоді, коли розпізнає форму. У чеській, фінській, угорській, російській та українській від 9,0% до 10,8% слововживань у типовому відео, це форми, які список не зміг звести до жодної леми. Багато з них, звичайні слова з відмінковим закінченням, яке інструмент не зняв. Тут вони рахуються як незнайомі, тож для цих п'яти мов числа є нижньою межею: реальне покриття вище. У таблиці нижче вони позначені зірочкою.
Складні слова схожим чином псують картину для німецької, нідерландської та скандинавських мов. Німецьке складне слово на кшталт Küchenschrank (кухонна шафа) рахується як незнайоме, якщо всього слова немає в списку, навіть коли ти знаєш обидві частини.
Позначка рівня майже не змінює лексику
Кожне відео в каталозі має рівень CEFR, який визначає модель за транскриптом. Тут вони згруповані в п'ять смуг, від A1 (A0 рахується як A1) до C1 (C2 рахується як C1). Якби позначка відповідала лексиці, вищі рівні потребували б більше слів. Для перших 2000 слів це майже не так. Якщо взяти медіану по мовах (A1 має достатньо відео в 11 мовах, C1 у 20), перші 2000 слів покривають 84,0% відео A1, 84,0% на A2, 85,2% на B1, 86,1% на B2 і 84,1% на C1.
Рівень дається взнаки у верхній частині діапазону. Із 5000 слів ти знав би 95% слів у 30,2% відео A1, 20,6% відео A2, 22,6% відео B1, 15,5% відео B2 і 4,5% відео C1. Частина причини, це довжина: медіанне відео C1 у вибірці має 338 слововживань, медіанне A1, лише 81. У короткому відео менше шансів ужити рідкісне слово.
Відео з найнижчим покриттям переважно про їжу. Серед 25 англомовних відео вибірки з найнижчим покриттям при 2000 словах близько двох третин, це рецепти, огляди їжі чи дегустації снеків, а 21 позначене як A1 або A2. В іспанській 11 із 25 найнижчих про їжу, а три, це дитячі пісні. Граматика в рецепті проста («додай часник, перемішай, готово»), тому позначка низька. А от іменники непрості. В англійському списку garlic, це слово 6395, а tablespoon, 11 551. В іспанському ajo стоїть на 6605 місці, а sartén (сковорода), на 11 125.
Ось два англомовні відео. Перше, трейлер фільму з позначкою B2: 96,9% його слів у перших 2000, і воно долає 95% уже при 1300 словах. Друге, рецепт для мультиварки з позначкою A2: 72,3% його слів у перших 2000, і 95% воно долає лише при 11 551 слові, тобто на ранзі tablespoon.
Трейлер теж не простий, але з іншої причини: його мовці говорять із медіанним темпом 215 слів на хвилину. Позначка рівня змішує швидкість, граматику й лексику в одну літеру, і саме лексична частина губиться. Якщо ти знаєш від 2000 до 5000 слів, дивись не лише на рівень відео, а й на тему: їжа, кулінарія та розмови про товари використовують багато слів із дальніх рядків списку.
Варіанти мов теж різняться
Арабська виміряна окремим частотним списком для кожного діалекту. Інші мови мають один список на всі варіанти. Із 2000 слів типове відео єгипетською арабською покрите на 86,1%, іракською на 79,6%, марокканською на 72,5%. Для марокканської 9,5% слів типового відео взагалі немає в її списку, тож частина цього розриву, це сам список. У французькій відео з Квебеку дають 90,6% проти 87,6% для відео з Франції. Бразильська португальська на 87,4%, європейська на 80,3%, але фільтри пройшли лише 61 європейське відео, і їх оцінено за іншим списком, тож до цієї цифри варто ставитися обережно.
Як це співвідноситься з оцінкою Нейшна
Найвідоміша цифра для усної англійської походить зі статті Пола Нейшна 2006 року «How large a vocabulary is needed for reading and listening?». На корпусі усної новозеландської англійської він виявив, що 3000 словотвірних гнізд плюс власні назви дають понад 95% покриття, а для 98% потрібно 6000–7000 гнізд. Вебб і Роджерс (2009) отримали схожі числа для кіносценаріїв: 3000 гнізд плюс власні назви й маргінальні слова дають 95,76%, а 6000 гнізд із тими самими додатками, 98,15%.
Мої числа для англійської вищі: 4462 слова, щоб типове відео дійшло до 95%, і 9403 для 98%. Якщо взяти всі англомовні відео як один довгий текст, 5000 слів покривають 95,1%. Є три причини розбіжності, і жодна з них не означає, що якесь дослідження помилкове:
- Гнізда більші за леми. Словотвірне гніздо об'єднує happy, unhappy, happiness і happily в одну одиницю. Список лем рахує їх як чотири. Тож 3000 гнізд відповідають більшій кількості лем.
- Список побудований переважно з письмових текстів. Повсякденні розмовні слова стоять у ньому нижче, ніж можна очікувати: alright, це слово 3102, kinda, 2333, bye, 3273.
- Короткі відео тримаються однієї теми. Двохвилинний рецепт витрачає більшість слів на лексику однієї теми, тоді як довга розмова блукає й частіше повторює загальні слова.
Що це означає, якщо ти вчиш мову
Перші 2000 чи 3000 слів варто вивчити цілеспрямовано, за колодою чи курсом, упорядкованими за частотністю. На цьому етапі помітна частка відео носіїв уже доступна на рівні 95%, і далі багато нових слів можна підхоплювати з контексту, а не зі списку. Як швидко дійти до цієї точки, описує посібник для початківців Крістіана Лауера.
Після цього обирай відео за темою, а не лише за рівнем. Людина з 3000 іспанських слів зрозуміє сценку з котом вище і все одно загубиться в рецепті фрикадельок, хоча обидва відео позначені як A2. А для чеської, фінської, угорської, російської та української очікуй, що числа тут виглядатимуть страшніше, ніж є насправді: значна частина того, що рахується незнайомим, це знайоме слово із закінченням, якого ти ще не бачив.
Якщо хочеш тренуватися на таких відео, сторінки іспанської, англійської та німецької містять відео носіїв за рівнями, з такими самими послівними субтитрами, як у відео на цій сторінці. Більше про те, чому розуміння йде перед мовленням: як перестати перекладати в голові.
Як я це вимірював
Відео. Усі відео були в каталозі Reelang станом на 29 вересня 2026 року і в ротації: публічно показані, з мовленням, контент носіїв (не мовні уроки), не дубльовані й однією мовою. Для кожної мови я взяв до 500 відео на рівень CEFR і зважив кожен рівень за його часткою в каталозі, щоб числа описували каталог загалом. Відео з менш ніж 50 словами, відео з повторюваними рядками субтитрів (понад 30% рядків), відео швидші за 330 слів на хвилину тривалості та відео, де понад 35% слів немає у списку мови (зазвичай транскрипт не тією мовою), були вилучені. Після цього лишилося 35 615 відео 23 ранжованими мовами і 13,8 мільйона слововживань. Медіанне відео триває 81 секунду. 35 600 із них з YouTube, 8 з TikTok і 7 з Instagram.
Слова. Кожен транскрипт поділено на слова за пробілами й пунктуацією, переведено в нижній регістр, цифри вилучено. Кожне слово шукається в частотному списку своєї мови, побудованому з wordfreq 3.1.1 (Speer, 2022): 25 000 найчастотніших словоформ, згрупованих за лемою за допомогою simplemma (інші інструменти для арабської, івриту та азійських мов) і впорядкованих за сумарною частотою кожної леми. Форми, яких немає в списку, лематизуються через simplemma як запасний варіант. Власні назви (з великої літери, не на початку речення, відсутні в списку) та маргінальні слова на кшталт uh, mhm і haha рахуються як знайомі, як у Nation (2006) та Webb і Rodgers (2009). У німецькій усі іменники пишуться з великої літери, а гінді й арабська не мають великих літер, тож ці мови не отримують бонусу за власні назви. В англійській половини скорочень рахуються як повні слова (didn't рахується як did і not).
Числа. Покриття, це частка слововживань у відео, чия лема входить до перших N. Відсотки вище, це медіани по відео. Для показників «відео на 95%» точний поріг кожного відео обчислено з його власних рангів слів, тож інтерполяції немає. Показник «типове відео сягає 95% при», це найменший обсяг словника, при якому медіанне відео долає 95%.
Без рейтингу. Префікси івриту (ve-, ha-, be-, le-) не відокремлюються, тож знайомі слова рахуються як незнайомі. Тамільські транскрипти, це розмовна тамільська, а список, письмова. Японська, китайська та корейська рахуються лише за повнозначними словами, а в'єтнамська за складами, тож їхні числа не можна порівнювати з рештою. Для рейтингу мові потрібно щонайменше 300 відео. Норвезька має 449; усі інші ранжовані мови мають понад 1000. Турецький список містить лише 9088 лем, тож для турецької графіки обриваються на 8000 словах, а «10 000+» означає, що типове відео не сягає 95% навіть із повним списком.
Відомі зміщення. Числа описують транскрипти, а не аудіо, тож помилки розпізнавання мовлення теж рахуються як слова. Досконале знання перших N слів, це ідеалізація, а ідіоми не рахуються як одиниці. Рівень CEFR, це оцінка моделі за транскриптом. І каталог підібраний для тих, хто вчить мову: він тяжіє до відео з чіткою вимовою і широкою привабливістю, тож це не випадкова вибірка з усього YouTube чи TikTok.
Користуйся цими даними
Ти можеш вільно використовувати графіки й числа з цієї сторінки у своїх текстах, викладанні чи дослідженнях. Будь ласка, вказуй цю сторінку як джерело.
| Мова | Відео | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% при |
|---|---|---|---|---|---|---|---|
| Данська | 1 122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5 292 |
| Англійська | 2 002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4 462 |
| Шведська | 1 325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6 768 |
| Нідерландська | 1 841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7 109 |
| Французька | 1 961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5 804 |
| Норвезька | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9 478 |
| Іспанська | 2 195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6 781 |
| Португальська | 1 865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6 121 |
| Румунська | 1 602 | 81,4% | 87,0% | 92,5% | 25,3% | 5,8% | 9 586 |
| Есперанто | 1 007 | 80,0% | 86,3% | 92,3% | 28,6% | 4,5% | 10 000+ |
| Італійська | 1 880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9 269 |
| Турецька | 1 322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10 000+ † |
| Німецька | 1 933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10 000+ |
| Грецька | 1 796 | 78,0% | 83,5% | 89,0% | 6,7% | 1,0% | 10 000+ |
| Гінді | 1 417 | 77,2% | 82,4% | 88,3% | 6,6% | 1,2% | 10 000+ |
| Арабська | 1 916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10 000+ |
| Польська | 1 503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10 000+ |
| Індонезійська | 1 582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10 000+ |
| Чеська * | 1 239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10 000+ |
| Фінська * | 1 565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10 000+ |
| Угорська * | 1 732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10 000+ |
| Російська * | 1 305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10 000+ |
| Українська * | 1 056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10 000+ |
Стовпці 1000, 2000 і 5000: медіанна частка слововживань у відео, покрита першими 1000, 2000 чи 5000 лемами. 95%+ і 98%+: частка відео, у яких людина, що знає перші 5000 лем, знає щонайменше 95% або 98% слів. 95% при: обсяг словника, при якому медіанне відео долає 95% (10 000+ означає, що не в межах 10 000). * Нижня межа: 9% або більше слів типового відео не вдалося зіставити зі списком, тож реальне покриття вище. † Турецький список має лише 9088 лем: типове турецьке відео не сягає 95% навіть із повним списком.
Джерела
- 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 (вільний повний текст)
- 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. Запис
- 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, безкоштовний PDF
- Speer, R. (2022). wordfreq v3.0 [дані та програмне забезпечення]. Zenodo. doi.org/10.5281/zenodo.7199437. У цьому дослідженні використано реліз 3.1.1 з 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
Починай дивитися
Обери мову і починай стрічку. Справжня мова носіїв, оцінена за складністю. Без тестів, без реєстрації.
Обери мовуЩо почитати далі
Зрозумілий вхід для початківців
Зрозумілий вхід працює лише тоді, коли ти вже розумієш, про що мова. Christian Lauer розповідає, як швидко дійти до цього рівня і як зрозуміти, що ти вже там.
Як перестати перекладати подумки: чому розуміння йде перед мовленням
Ти перестаєш перекладати подумки тоді, коли мозок отримує стільки зрозумілої мови, що переклад стає непотрібним. Це не трюк і не сила волі, а години слухання справжнього мовлення, яке ти здебільшого розумієш.
Чому зрозумілий ввід працює для тих, хто вчить китайську
Зрозумілий ввід працює для китайської, бо найбільші перешкоди цієї мови, тони, ієрогліфічна грамотність і велика прірва між усним і писемним стилем, засвоюються вухом раніше, ніж за правилами. Граматичні вправи й картки вчать упізнавати китайську окремими шматками. Зрозумілий ввід вчить упізнавати її такою, якою її справді вимовляють носії: у природному темпі, у контексті, з живою тональною та ритмічною мелодією.