Скільки слів треба, щоб розуміти відео від носіїв?
Якщо знаєш 5000 найчастіших англійських слів, у типовому ролику носія тобі знайомі 95,6% слів. Для іспанської потрібно близько 6800 слів, щоб дійти до 95%, а в 13 із 23 мов навіть 10 000 замало. Дані з 35 615 роликів носіїв, по кожній мові й рівню.
Chief Language Geek @ Reelang
Якщо ти знаєш 5000 найчастіших англійських слів, у типовому англомовному ролику носія тобі знайомі 95,6% слів, а 58,4% роликів сягають 95%: саме на цьому рівні, за дослідженнями аудіювання, учні вже розуміють добре. Для іспанської типовому ролику потрібно близько 6800 слів, щоб дійти до 95%, а в 13 із 23 мов, які я виміряв, 10 000 слів не вистачає.
Ці числа взяті з 35 615 роликів носіїв 23 мовами з каталогу Reelang. Кожне слово звірялося з частотним списком відповідної мови. Обери мову й обсяг словника нижче, щоб побачити результат.
Перша тисяча слів робить більшу частину роботи
Частотність слів дуже нерівна. Кілька сотень слів (the, and, is, you, que, de) складають велику частку всього, що люди кажуть, і кожне наступне слово у списку трапляється рідше. Це відомо як закон Ципфа, і він діє в кожній мові з цього списку.
У 18 мовах, які я можу ранжувати без застережень, типовий ролик покритий на 80,7% першою тисячею слів, на 86,7% першими двома тисячами і на 92,4% першими п'ятьма тисячами. Перша тисяча дає тобі чотири знайомі слова з п'яти. Наступні чотири тисячі додають близько дванадцяти пунктів.
Пороги, важливі для аудіювання, сидять усередині цих останніх пунктів. Два з них постійно виринають 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 раду вже на 90%, а на 95% ті, хто слухав нерідною мовою, 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 150 словах на хвилину, це звичайний темп 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 роликів дослідження й ховає кожне слово, якого немає серед обраної тобою кількості найчастіших.
Із 2000 слів репліка про фрикадельки знайома на 58,3%: albóndigas, parmesano, rallado та orégano взагалі немає у списку, а perejil (петрушка) стоїть на 13 520 місці. Репліка про кота при тих самих 2000 слів знайома на 96,2%. Обидва ролики іспанською, обидва з позначкою A2.
Англійська та іспанська в цифрах
Англійська. Типовий ролик сягає 90% на 2021 слові, 95% на 4462 словах і 98% на 9403 словах. Із 3000 слів 24,9% англомовних роликів мають 95% або більше. Із 5000 слів таких 58,4%, а 15,2% мають 98% або більше.
Іспанська. Типовий ролик сягає 90% на 2754 словах і 95% на 6781 слові. До 98% у межах 10 000 слів він не доходить. Із 3000 слів 10,8% іспанських роликів мають 95% або більше. Із 5000 слів таких 32,0%.
Отже, для іспанської людина з 3000 слів знайде приблизно один ролик із десяти, де 95% слів знайомі. Це вже справжня база для навчання, бо слова, яких ти ще не знаєш, стоять в оточенні знайомих. Ось один із таких колумбійських роликів: 88,4% його слів входять у першу тисячу, а 96,3% у першу двотисячу.
Знати слова і вловлювати їх на слух, це різні речі. Мовці в тому ролику говорять із медіанною швидкістю 243 слова на хвилину, набагато швидше за підручниковий запис. Покриття словника каже тобі, чи зміг(ла) б ти зрозуміти текст. Воно не каже, чи встигаєш ти за темпом.
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 ролика, а перехід від 1000 до 5000 слів додає лише 8,3–9,3 пункту. Англійська, французька, іспанська, португальська й італійська додають на тому самому відрізку 11,5–12,6 пункту. Найкрутіші криві в індонезійської (+20,8), української (+18,3), арабської (+18,1), російської (+16,5), фінської (+15,3), турецької (+15,2) і польської (+14,3).
Крута крива означає, що після першої тисячі слів у ролику лишається більше незрозумілого, зате кожна наступна тисяча коштує дорожче. Частково це сама мова. Частково це спосіб підрахунку слів, і його треба пояснити, перш ніж порівнювати дві мови.
Списки тут лематизовані: dije, dijo і decir рахуються як одне слово, decir. Це чесно щодо іспанської з її безліччю дієслівних форм. Але лематизатор працює лише тоді, коли впізнає форму. У чеській, фінській, угорській, російській та українській від 9,0% до 10,8% слововживань у типовому ролику це форми, які список не зміг звести до жодної леми. Багато з них, це 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.
Схоже працюють проти німецької, нідерландської та скандинавських мов складні слова. Німецьке Küchenschrank (кухонна шафа) рахується як незнайоме, якщо всього складного слова немає у списку, навіть коли ти знаєш обидві частини.
Позначка рівня майже не змінює словник
У кожного ролика в каталозі є рівень CEFR, який визначає модель за текстом. Тут вони згруповані у п'ять смуг, від A1 (A0 рахується як A1) до C1 (C2 рахується як C1). Якби позначка відповідала словнику, вищі рівні вимагали б більше слів. У межах перших 2000 слів вони майже не вимагають. Якщо взяти медіану по мовах (A1 має достатньо роликів в 11 із них, C1 у 20), перші 2000 слів покривають 84,0% ролика A1, 84,0% на A2, 85,2% на B1, 86,1% на B2 і 84,1% на C1.
Рівень проявляється у верхній частині діапазону. Із 5000 слів ти знав(ла) б 95% слів у 30,2% роликів A1, 20,6% роликів A2, 22,6% роликів B1, 15,5% роликів B2 і 4,5% роликів C1. Частково річ у довжині: медіанний ролик C1 у вибірці має 338 слововживань, медіанний ролик A1, 81. У короткому ролику менше нагод ужити рідкісне слово.
Ролики з найнижчим покриттям переважно про їжу. Серед 25 англомовних роликів вибірки з найнижчим покриттям при 2000 слів близько двох третин, це рецепти, огляди їжі чи дегустації снеків, і 21 із них має позначку A1 або A2. В іспанській 11 із найнижчих 25 про їжу, а три, це дитячі пісні. Граматика в рецепті проста («додай часник, перемішай, готово»), тому й позначка низька. А от іменники не прості. В англійському списку garlic стоїть на 6395 місці, а tablespoon на 11 551. В іспанському ajo на 6605, а sartén (сковорода) на 11 125.
Ось два англомовні ролики. Перший, це трейлер фільму з позначкою B2: 96,9% його слів у перших 2000, і він проходить 95% уже на 1300 словах. Другий, це рецепт для повільноварки з позначкою A2: 72,3% його слів у перших 2000, а 95% він проходить аж на 11 551 слові, це ранг слова tablespoon.
Трейлер теж не легкий, але з іншої причини: його мовці говорять із медіанною швидкістю 215 слів на хвилину. Позначка рівня змішує швидкість, граматику й словник в одну літеру, і саме словникова частина губиться. Якщо ти знаєш від 2000 до 5000 слів, дивись не лише на рівень ролика, а й на тему: їжа, кулінарія та розмови про товари беруть багато слів із далеких місць списку.
Варіанти мов теж різні
Арабську виміряно з окремим частотним списком для кожного діалекту. Інші мови мають один список на всі свої варіанти. Із 2000 слів типовий ролик єгипетською арабською покритий на 86,1%, іракською на 79,6%, марокканською на 72,5%. Для марокканської 9,5% слів типового ролика взагалі немає в її списку, тож частина цього розриву, це сам список. У французькій ролики з Квебеку дають 90,6% проти 87,6% у роликів із Франції. Бразильська португальська на 87,4%, європейська на 80,3%, але фільтри пройшов лише 61 європейський португальський ролик, і оцінювали їх за іншим списком, тож до цієї цифри став(ся) 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 сімей плюс власні назви дають понад 95% покриття, а для 98% потрібно 6000–7000 сімей. Вебб і Роджерс (2009) отримали схожі числа для кіносценаріїв: 3000 сімей плюс власні назви й маргінальні слова дають 95,76%, а 6000 сімей із тими самими додатками, 98,15%.
Мої числа для англійської вищі: 4462 слова, щоб типовий ролик дійшов до 95%, і 9403 для 98%. Якщо взяти всі англомовні ролики разом як один довгий текст, 5000 слів покривають 95,1%. Є три причини розбіжності, і жодна з них не означає, що якесь дослідження помилкове:
- Сім'я більша за лему. Словотвірна сім'я об'єднує happy, unhappy, happiness і happily в одну одиницю. Список лем рахує їх як чотири. Тож 3000 сімей відповідають більшій кількості лем.
- Список побудовано переважно з письмових текстів. Повсякденні розмовні слова стоять у ньому нижче, ніж можна очікувати: alright, це слово 3102, kinda, 2333, а 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 або 3000 слів варто вчити свідомо: колодою чи курсом за частотністю. На цьому етапі вже чимала частка роликів носіїв доступна на 95%, і далі багато нових слів можна підхоплювати з контексту, а не зі списку. Посібник для початківців від Christian Lauer пояснює, як швидко дійти до цієї точки.
Потім обирай ролики за темою, а не лише за рівнем. Людина з 3000 іспанських слів зрозуміє сценку про кота вище й усе одно загубиться в рецепті фрикадельок, хоча обидва мають позначку A2. А для чеської, фінської, угорської, російської та української очікуй, що числа тут виглядають суворіше, ніж є насправді: багато з того, що рахується незнайомим, це знайоме тобі слово із закінченням, якого ти ще не бачив(ла).
Якщо хочеш потренуватися на схожих роликах, сторінки іспанської, англійської та німецької показують ролики носіїв за рівнями, з такими самими послівними субтитрами, як у роликах на цій сторінці. Більше про те, чому розуміння йде перед мовленням: як перестати перекладати в голові. Скільки годин відео це займає по кожній мові, є в тексті скільки часу треба, щоб вивчити мову, з калькулятором для твого рівня й щоденного часу.
Як я це вимірював
Ролики. Усі ролики були в каталозі Reelang 29 вересня 2026 року й перебували в ротації: публічно показані, з мовленням, контент носіїв (не уроки мови), не дубльовані й однією мовою. Для кожної мови я брав до 500 роликів на рівень CEFR і зважував кожен рівень за його часткою в каталозі, щоб числа описували каталог загалом. Прибрано ролики, де менше ніж 50 слів, ролики з повторюваними рядками субтитрів (понад 30% рядків), ролики швидші за 330 слів на хвилину тривалості й ролики, де понад 35% слів немає у списку мови (зазвичай це розшифровка не тією мовою). Після цього лишилося 35 615 роликів у 23 ранжованих мовах із 13,8 мільйона слововживань. Медіанний ролик триває 81 секунду. 35 600 із них з YouTube, 8 із TikTok і 7 з Instagram.
Слова. Кожна розшифровка ділиться на слова за пробілами й пунктуацією, зводиться до нижнього регістру, цифри видаляються. Кожне слово шукається в частотному списку своєї мови, побудованому з wordfreq 3.1.1 (Speer, 2022): 25 000 найчастіших словоформ, згрупованих за лемами через simplemma (інші інструменти для арабської, івриту й азійських мов) і впорядкованих за сумарною частотою кожної леми. Форми, яких немає у списку, лематизуються через simplemma як запасний варіант. Власні назви (з великої літери, не на початку речення, відсутні у 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 та 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 ролику, чия лема входить у перші N. Відсотки вище, це медіани по роликах. Для показників «ролики на 95%» точний поріг кожного ролика обчислюється за його власними рангами слів, тож інтерполяції немає. Показник «типовий ролик сягає 95% на», це найменший обсяг словника, за якого медіанний ролик проходить 95%.
Без рангу. В івриті префікси (ve-, ha-, be-, le-) не відокремлюються, тож знайомі слова рахуються як незнайомі. Тамільські розшифровки, це усна тамільська, а список, це писемна тамільська. Японська, китайська й корейська рахуються лише за повнозначними словами, а в'єтнамська за складами, тож їхні числа не можна порівнювати з рештою. Для рангу мові потрібно щонайменше 300 роликів. У норвезької їх 449; у всіх інших ранжованих мов понад 1000. Турецький список має лише 9088 лем, тож для турецької графіки обриваються на 8000 слів, а «10 000+» означає, що типовий ролик не сягає 95% навіть із повним списком.
Відомі викривлення. Числа описують розшифровки, а не аудіо, тож помилки розпізнавання мовлення рахуються як слова. Ідеальне знання перших N слів, це ідеальний випадок, а ідіоми не рахуються як одиниці. Рівень CEFR, це судження моделі про текст. І каталог дібрано для тих, хто вчить мову: у ньому переважають ролики з чіткою вимовою й широкою темою, тож це не випадкова вибірка всього, що є на YouTube чи TikTok.
Користуйся цими даними
Ти можеш вільно використовувати графіки й числа з цієї сторінки у своїх текстах, викладанні чи дослідженнях. Будь ласка, постав посилання на цю сторінку як джерело.
| Мова | Ролики | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% на |
|---|---|---|---|---|---|---|---|
| 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 ролику, покрита першими 1000, 2000 чи 5000 лем. 95%+ і 98%+: частка роликів, у яких людина зі знанням перших 5000 лем знає щонайменше 95% або 98% слів. 95% на: обсяг словника, за якого медіанний ролик проходить 95% (10 000+ означає, що не в межах 10 000). * Нижня межа: 9% або більше слів у типовому ролику не вдалося зіставити зі списком, тож реальне покриття вище. † Турецький список має лише 9088 лем: типовий турецький ролик 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 (повний текст безкоштовно)
- 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 й 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 тесту на рівень, без реєстрації.
Обери мовуЩо почитати далі
Зрозумілий вхід для початківців
Зрозумілий вхід працює лише тоді, коли ти вже можеш стежити за тим, що кажуть. Крістіан Лауер пояснює, 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 даєш мозку стільки зрозумілої мови, що потреба в перекладі зникає сама. Переклад, це обхідний шлях, який мозок будує, коли йому бракує прямого досвіду з мовою. Рецепт, це не трюк і не сила волі, а обсяг: години слухання справжньої мови, яку ти переважно розумієш, поки мозок не прокладе прямий шлях від звуку до значення.
Чому зрозумілий ввід працює для тих, хто вчить китайську
Зрозумілий ввід працює для китайської, бо її найбільші перешкоди (тони, ієрогліфи й велика різниця між усним і письмовим мовленням) засвоюються вухом раніше, ніж правилами. Граматичні вправи й картки вчать упізнавати китайську окремими шматками, а зрозумілий ввід, навпаки, у природному темпі й контексті, з живими тонами та ритмом.