如果你掌握了英语中最常用的 5000 个词，一条典型的英语母语者短片里有 95.6% 的词是你认识的，并且有 58.4% 的短片能达到 95%，这正是听力研究中学习者能够听懂的水平。西班牙语要让典型短片达到 95%，大约需要 6800 个词；而在我统计的 23 种语言里，有 13 种即使 10000 个词也还不够。
这些数字来自 Reelang 片库中 23 种语言的 35615 条母语者短片，逐词对照每种语言的词频表统计得出。在下面选一种语言和一个词汇量，看看它能带你走多远。
最初的 1000 个词干了大部分活
词频分布很不均匀。几百个词（the、and、is、you、que、de）就占了人们所说内容的一大部分，而排名越靠后的词出现得越少。这个规律叫齐普夫定律，在这里的每一种语言里都成立。
在 18 种可以不加说明直接排名的语言中，典型短片被前 1000 词覆盖 80.7%，被前 2000 词覆盖 86.7%，被前 5000 词覆盖 92.4%。头一千个词让你认识五个词里的四个。接下来的四千个词只再加上约十二个百分点。
对听力真正重要的门槛，就藏在最后那几个百分点里。关于「需要多少词」的研究中，有两个数字反复出现：
- 95%，也就是每 20 个词里有 1 个生词。Batia Laufer 在 1989 年针对阅读提出了这个标准。至于听力，van Zeeland 与 Schmitt（2013）发现多数听者在 90% 时就能应付，而到了 95%，第二语言听者理解良好，个体差异也小得多。
- 98%，也就是每 50 个词里有 1 个生词。Hu 与 Nation（2000）发现，学习者自主阅读小说时大约需要这个比例才能充分理解。
按正常语速每分钟 150 词计算，95% 意味着每分钟约有七个生词（Nation, 2006）。98% 则是三个。你可以在下面的演示里感受这个差别。它用的是研究中真实短片里的句子，并把不在你所选词表范围内的词全部挖空。
在 2000 词的水平下，这句关于肉丸的话只有 58.3% 是认识的：albóndigas、parmesano、rallado 和 orégano 根本不在词表里，perejil（欧芹）排在第 13520 位。而同样是 2000 词，那句讲猫的话认识率是 96.2%。两条短片都是西班牙语，也都被标为 A2。
英语和西班牙语，用数字说话
英语。 典型短片在 2021 词时达到 90%，4462 词时达到 95%，9403 词时达到 98%。掌握 3000 词，有 24.9% 的英语短片能达到 95% 以上。掌握 5000 词，这个比例是 58.4%，另有 15.2% 达到 98% 以上。
西班牙语。 典型短片在 2754 词时达到 90%，6781 词时达到 95%。在 10000 词以内达不到 98%。掌握 3000 词，有 10.8% 的西班牙语短片达到 95% 以上。掌握 5000 词，这个比例是 32.0%。
所以对西班牙语来说，一个掌握 3000 词的学习者，大约每十条短片里能找到一条，其中 95% 的词是熟悉的。这已经是一个可用来学习的素材池了，因为那些你还不认识的词，周围全是你认识的词。下面这条哥伦比亚短片就是其中之一：它有 88.4% 的词在前 1000 词内，96.3% 在前 2000 词内。
认识词，和听得出词，是两回事。那条短片里说话人的语速中位数是每分钟 243 词，比教材录音快得多。词汇覆盖率只能告诉你能不能看懂文字稿，不能告诉你跟不跟得上语速。
平缓的语言和陡峭的语言
这些曲线的形状并不一样。在丹麦语、瑞典语和荷兰语里，前 1000 词就覆盖了典型短片的 84.4% 到 86.5%，从 1000 词增加到 5000 词只多出 8.3 到 9.3 个百分点。英语、法语、西班牙语、葡萄牙语和意大利语在同一区间内增加 11.5 到 12.6 个百分点。曲线最陡的是印尼语（+20.8）、乌克兰语（+18.3）、阿拉伯语（+18.1）、俄语（+16.5）、芬兰语（+15.3）、土耳其语（+15.2）和波兰语（+14.3）。
曲线陡意味着头一千个词留下的生词更多，而之后每多一千词的价值也更大。这一部分是语言本身造成的。另一部分则跟词是怎么数的有关，在比较两种语言之前，这一点需要说清楚。
这里的词表都做了词元还原：dije、dijo 和 decir 都算作一个词 decir。这对动词形式繁多的西班牙语是公平的。但词元还原工具只有识别出词形时才管用。在捷克语、芬兰语、匈牙利语、俄语和乌克兰语里，典型短片中有 9.0% 到 10.8% 的词形无法与任何词元对上。其中很多本是普通词，只是带了工具没能去掉的格尾。它们在这里被算作生词，所以这五种语言的数字只是下限：真实覆盖率更高。表格中用星号标出。
复合词对德语、荷兰语和北欧语言造成了类似的不利。像 Küchenschrank（厨柜）这样的德语复合词，除非整个复合词在词表里，否则就算作生词，哪怕你认识它的两个组成部分。
等级标签几乎改变不了词汇难度
片库里每条短片都有一个 CEFR 等级，由阅读文字稿的模型给出。这里把它们归为五档，从 A1（A0 并入 A1）到 C1（C2 并入 C1）。如果等级标签真的反映词汇，那等级越高就该需要越多的词。但在前 2000 词这个范围内，几乎看不出差别。取各语言的中位数（A1 在其中 11 种语言里样本足够，C1 在 20 种里足够），前 2000 词覆盖 A1 短片的 84.0%、A2 的 84.0%、B1 的 85.2%、B2 的 86.1%、C1 的 84.1%。
等级的差别确实出现在高端。掌握 5000 词时，你能认识 30.2% 的 A1 短片中 95% 的词，A2 是 20.6%，B1 是 22.6%，B2 是 15.5%，C1 是 4.5%。长度是原因之一：样本中 C1 短片的词数中位数是 338，A1 只有 81。短片出现冷僻词的机会更少。
覆盖率最低的短片大多跟食物有关。样本里在 2000 词水平下覆盖率最低的 25 条英语短片中，约三分之二是菜谱、食评或零食试吃，其中 21 条被标为 A1 或 A2。在西班牙语里，最低的 25 条中有 11 条跟食物有关，还有三条是儿歌。菜谱的语法很简单（「放蒜，搅拌，完成」），所以等级标得低。但名词不简单。在英语词表里，garlic 排第 6395，tablespoon 排第 11551。在西班牙语里，ajo 排第 6605，sartén（平底锅）排第 11125。
下面是两条英语短片。第一条是标为 B2 的电影预告：96.9% 的词在前 2000 词内，1300 词时就越过 95%。第二条是标为 A2 的慢炖锅菜谱：只有 72.3% 的词在前 2000 词内，要到 11551 词才越过 95%，也就是 tablespoon 的排名。
那条预告片其实也不轻松，只是原因不同：里面说话人的语速中位数是每分钟 215 词。等级标签把语速、语法和词汇混成了一个字母，而丢掉的正是词汇这部分。如果你的词汇量在 2000 到 5000 之间，挑短片时除了看等级，也要看题材：食物、烹饪和产品介绍会用到很多排名靠后的词。
不同变体也有差别
阿拉伯语的每种方言都用了单独的词频表。其他语言的所有变体共用一张词表。在 2000 词水平下，典型的埃及阿拉伯语短片覆盖率为 86.1%，伊拉克为 79.6%，摩洛哥为 72.5%。摩洛哥方言的典型短片中有 9.5% 的词根本不在其词表里，所以这个差距有一部分是词表造成的。法语里，魁北克短片为 90.6%，法国本土短片为 87.6%。巴西葡萄牙语为 87.4%，欧洲葡萄牙语为 80.3%，但只有 61 条欧洲葡萄牙语短片通过了筛选，而且是对照另一张词表计分的，所以这个数字要谨慎对待。
和 Nation 的估算相比如何
关于英语口语，最著名的数字来自 Paul Nation 2006 年的论文《阅读和听力需要多大的词汇量？》。他使用新西兰英语口语语料库，发现 3000 个词族加上专有名词能带来超过 95% 的覆盖率，而要达到 98% 则需要 6000 到 7000 个词族。Webb 与 Rodgers（2009）在电影剧本上得到了相近的结果：3000 个词族加专有名词和边缘词为 95.76%，6000 个词族加同样的补充为 98.15%。
我这边英语的数字更高：典型短片要 4462 词才到 95%，9403 词才到 98%。把所有英语短片当作一整篇长文本来算，5000 词覆盖 95.1%。数字不同有三个原因，而且没有哪一项说明某项研究错了：
- 词族比词元大。一个词族把 happy、unhappy、happiness 和 happily 归为一个单位。词元表则算作四个。所以 3000 个词族对应的词元数要多得多。
- 词表主要是用书面文本建的。日常口语词在其中的排名比你想象的低：alright 排第 3102，kinda 排第 2333，bye 排第 3273。
- 短视频只围绕一个话题。一条两分钟的菜谱，大部分词都花在一个话题的专门词汇上；而长对话会来回跳转，反复用到更通用的词。
这对正在学语言的你意味着什么
前 2000 到 3000 个词值得有意识地去学，用按词频排序的卡组或课程。到了那个水平，相当一部分母语者短片的认识率就能达到 95%，从那以后，你可以靠语境而不是词表学到大量新词。Christian Lauer 的初学者指南讲了如何快速走到这一步。
之后，挑短片要看题材，不要只看等级。一个掌握 3000 个西班牙语词的学习者，能看懂上面那条猫的小品，却可能在肉丸菜谱里完全迷路，哪怕两条都标着 A2。至于捷克语、芬兰语、匈牙利语、俄语和乌克兰语，这里的数字看起来会比实际更吓人：很多被算作生词的，其实是你认识的词，只是带了你还没学过的词尾。
如果你想用上面这类短片练习，西班牙语、英语和德语页面按等级列出了母语者短片，字幕也和本页的短片一样是逐词对照的。关于为什么理解要先于开口，可以看：如何不再在脑子里做翻译。
我是怎么统计的
短片。 所有短片在 2026 年 9 月 29 日都在 Reelang 片库中并处于轮播状态：公开展示、有语音、母语者内容（不是语言课）、非配音、单一语言。每种语言的每个 CEFR 等级我最多抽样 500 条短片，并按各等级在片库中的占比加权，所以这些数字描述的是整个片库。以下短片被剔除：词数少于 50 的、某一条字幕行重复出现的（超过 30% 的行）、按时长计算语速超过每分钟 330 词的，以及超过 35% 的词不在该语言词表中的（通常是语言标错的文字稿）。筛选后，23 种参与排名的语言共剩下 35615 条短片，合计 1380 万个词次。短片时长中位数为 81 秒。其中 35600 条来自 YouTube，8 条来自 TikTok，7 条来自 Instagram。
词。 每份文字稿按空白和标点切分成词，转为小写，去掉数字。每个词都在对应语言的词频表中查找，该表基于 wordfreq 3.1.1（Speer, 2022）构建：取最高频的 25000 个词形，用 simplemma 按词元归并（阿拉伯语、希伯来语和亚洲语言使用其他工具），再按每个词元的总频次排名。不在表中的词形改用 simplemma 做词元还原作为兜底。专有名词（首字母大写、不在句首、不在词表中）以及 uh、mhm、haha 这类边缘词算作已知，与 Nation（2006）和 Webb 与 Rodgers（2009）的做法一致。德语所有名词都大写，印地语和阿拉伯语没有大小写，所以这些语言不享受专有名词的优待。英语中缩写的两半按完整词计算（didn't 算作 did 和 not）。
数字。 覆盖率指短片中词元位于前 N 名之内的词次占比。上文的百分比都是各短片的中位数。「达到 95% 的短片比例」是根据每条短片自身的词排名精确计算的，没有插值。「典型短片在多少词时达到 95%」指中位短片越过 95% 所需的最小词汇量。
未参与排名。 希伯来语的前缀（ve-、ha-、be-、le-）没有切分，所以认识的词被算作生词。泰米尔语的文字稿是口语泰米尔语，而词表是书面泰米尔语。日语、汉语和韩语只统计实词，越南语按音节统计，所以这些数字无法与其他语言比较。一种语言至少要有 300 条短片才参与排名。挪威语有 449 条；其他所有参与排名的语言都超过 1000 条。土耳其语词表只有 9088 个词元，所以土耳其语的图表止于 8000 词，「10,000+」表示用整张词表典型短片也达不到 95%。
已知偏差。 这些数字描述的是文字稿而非音频，所以语音识别错误也被算作词。完美掌握前 N 词是一种理想情况，而且习语没有按整体计算。CEFR 等级是模型对文字稿的判断。另外片库是为学习者挑选的：它偏向口齿清楚、受众面广的短片，所以并不是 YouTube 或 TikTok 全部内容的随机样本。
使用这些数据
欢迎在你自己的写作、教学或研究中复用本页的图表和数字。请链接本页作为出处。
| 语言 | 短片数 | 1,000 | 2,000 | 5,000 | 95%+ | 98%+ | 达到 95% 所需 |
|---|---|---|---|---|---|---|---|
| 丹麦语 | 1,122 | 86.5% | 91.1% | 94.8% | 47.0% | 8.4% | 5,292 |
| 英语 | 2,002 | 83.7% | 89.9% | 95.6% | 58.4% | 15.2% | 4,462 |
| 瑞典语 | 1,325 | 85.6% | 89.8% | 94.0% | 37.6% | 5.6% | 6,768 |
| 荷兰语 | 1,841 | 84.4% | 89.0% | 93.7% | 32.2% | 3.5% | 7,109 |
| 法语 | 1,961 | 82.7% | 88.4% | 94.2% | 40.1% | 5.8% | 5,804 |
| 挪威语 | 449 | 83.5% | 88.1% | 93.0% | 25.0% | 3.8% | 9,478 |
| 西班牙语 | 2,195 | 81.6% | 87.3% | 93.5% | 32.0% | 5.4% | 6,781 |
| 葡萄牙语 | 1,865 | 81.4% | 87.2% | 94.0% | 38.4% | 7.3% | 6,121 |
| 罗马尼亚语 | 1,602 | 81.4% | 87.0% | 92.5% | 25.3% | 5.8% | 9,586 |
| 世界语 | 1,007 | 80.0% | 86.3% | 92.3% | 28.6% | 4.5% | 10,000+ |
| 意大利语 | 1,880 | 79.7% | 85.6% | 91.9% | 21.2% | 2.7% | 9,269 |
| 土耳其语 | 1,322 | 77.1% | 85.6% | 92.3% | 25.4% | 5.5% | 10,000+ † |
| 德语 | 1,933 | 80.0% | 84.8% | 90.3% | 11.3% | 1.1% | 10,000+ |
| 希腊语 | 1,796 | 78.0% | 83.5% | 89.0% | 6.7% | 1.0% | 10,000+ |
| 印地语 | 1,417 | 77.2% | 82.4% | 88.3% | 6.6% | 1.2% | 10,000+ |
| 阿拉伯语 | 1,916 | 73.1% | 82.2% | 91.2% | 17.8% | 2.7% | 10,000+ |
| 波兰语 | 1,503 | 73.9% | 81.0% | 88.2% | 8.2% | 1.0% | 10,000+ |
| 印尼语 | 1,582 | 68.6% | 80.6% | 89.4% | 10.4% | 2.3% | 10,000+ |
| 捷克语 * | 1,239 | 73.4% | 80.0% | 86.8% | 3.9% | 0.5% | 10,000+ |
| 芬兰语 * | 1,565 | 71.7% | 79.3% | 87.0% | 3.6% | 0.8% | 10,000+ |
| 匈牙利语 * | 1,732 | 71.7% | 78.1% | 84.5% | 0.4% | 0.0% | 10,000+ |
| 俄语 * | 1,305 | 70.0% | 77.8% | 86.5% | 2.9% | 0.1% | 10,000+ |
| 乌克兰语 * | 1,056 | 65.4% | 73.4% | 83.7% | 0.8% | 0.0% | 10,000+ |
1,000、2,000 和 5,000 这三列：短片中被前 1000、2000 或 5000 个词元覆盖的词次占比中位数。95%+ 和 98%+：掌握前 5000 个词元的学习者认识其中至少 95% 或 98% 词汇的短片比例。达到 95% 所需：中位短片越过 95% 时的词汇量（10,000+ 表示 10000 词以内达不到）。* 下限值：典型短片中有 9% 或更多的词无法与词表匹配，所以真实覆盖率更高。† 土耳其语词表只有 9088 个词元：用整张词表，典型土耳其语短片也达不到 95%。
参考文献
- 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（全文免费）
- 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. 条目
- 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，免费 PDF
- Speer, R. (2022). wordfreq v3.0 [data and software]. Zenodo. doi.org/10.5281/zenodo.7199437。本研究使用的是 github.com/rspeer/wordfreq 的 3.1.1 版。
- 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
继续阅读
零基础也能用的可理解输入
可理解输入要能听懂才有用。Christian Lauer 分享如何快速到达那个门槛，以及怎么判断自己已经到了。
如何停止在脑子里翻译：为什么听懂要先于开口
想停止在脑子里翻译，唯一的办法是给大脑大量能听懂的语言，多到它不再需要翻译。翻译只是大脑在经验不足时临时搭出来的绕路方案。解决它靠的不是技巧，而是时长：花几十上百个小时听你大致听得懂的真实语音，直到大脑建立起从声音直达意思的通道，不再绕经母语。
为什么可理解输入对学中文的人特别有用
中文最难的几关：声调、汉字识读、口语和书面语的巨大差距，都要先用耳朵学，而不是先用规则学。语法练习和闪卡让你认出孤立的中文；可理解输入让你认出母语者真正说出来的中文：自然语速、有上下文、声调和节奏都完整。这篇文章讲的就是这个区别。