如果你掌握了英语最常用的5000词，典型的英语母语者短片里有95.6%的词是你认识的，并且58.4%的短片能达到95%，也就是听力研究认为学习者能听懂得不错的那条线。西班牙语则需要约6800词，典型短片才能达到95%；而在我测量的23种语言里，有13种连一万词都不够。
这些数字来自Reelang片库中23种语言的35615条母语者短片，逐词对照各语言的词频表统计得出。下面选一种语言和一个词汇量，看看它能带来什么。
最初的1000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很大一部分，而排名越往后的词出现得越少。这个规律叫齐普夫定律，这里的每一种语言都符合它。
在18种可以无保留排名的语言里，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%。第一个一千词让你认识五个词里的四个。接下来的四千词只再加约十二个百分点。
对听力真正重要的门槛，就藏在最后这几个百分点里。关于「需要多少词」的研究中，有两条线反复出现：
- 95%，即每20个词有1个生词。Batia Laufer在1989年针对阅读提出了这条线。在听力方面，van Zeeland和Schmitt（2013）发现大多数听者在90%时已经能应付，而到了95%，第二语言听者理解得很好，个体差异也小得多。
- 98%，即每50个词有1个生词。Hu和Nation（2000）发现，学习者自主阅读小说时，大约需要这个比例才能达到足够的理解。
按每分钟150词这个正常语速计算，95%意味着每分钟约有七个生词（Nation, 2006）。98%则是三个。下面的演示能让你感受到这个差别。它用的是研究中短片里的真实句子，并把不在你所选词表范围内的词全部遮掉。
在2000词的情况下，肉丸那句话的已知比例是58.3%：albóndigas、parmesano、rallado和orégano根本不在词表里，而perejil（欧芹）排在第13520位。同样是2000词，关于猫的那句话已知比例是96.2%。两条短片都是西班牙语，也都标为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%，在4462词时达到95%，在9403词时达到98%。掌握3000词时，24.9%的英语短片能到95%或以上。掌握5000词时，这个比例是58.4%，另有15.2%达到98%或以上。
西班牙语。 典型短片在2754词时达到90%，在6781词时达到95%。在一万词以内达不到98%。掌握3000词时，10.8%的西班牙语短片能到95%或以上。掌握5000词时是32.0%。
也就是说，西班牙语学习者掌握3000词后，大约每十条短片里能找到一条有95%的词是熟悉的。这已经是一个可以用来学习的真实素材池，因为那些你还不认识的词，周围都是你认识的词。下面这条哥伦比亚短片就是其中之一：它88.4%的词在前1000词内，96.3%在前2000词内。
认识这些词，和能听出这些词，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。词汇覆盖率告诉你的是：你能不能看懂文字稿。它不告诉你能不能跟上语速。
平缓的语言和陡峭的语言
这些曲线形状并不相同。在丹麦语、瑞典语和荷兰语中，前1000词已经覆盖典型短片的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多出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：前一千词留下的生词更多，而之后每多一千词的价值更大。这一部分来自语言本身。另一部分来自词是怎么数的，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形还原：dije、dijo和decir都算作同一个词decir。这对动词形式很多的西班牙语是公平的。但词形还原工具只有在能识别词形时才有效。在捷克语、芬兰语、匈牙利语、俄语和乌克兰语中，典型短片里有9.0%到10.8%的词，词表无法匹配到任何词元。其中很多只是普通词加了一个工具没能剥掉的格尾。它们在这里算作生词，所以这五种语言的数字是下限：真实覆盖率更高。它们在下表中用星号标出。
复合词对德语、荷兰语和北欧语言也有类似的不利影响。像Küchenschrank（厨柜）这样的德语复合词，除非整个复合词在词表里，否则就算生词，哪怕你认识它的两个部分。
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，由一个读取文字稿的模型给出。这里把它们归成五档，从A1（A0算作A1）到C1（C2算作C1）。如果这个标签真的跟着词汇走，等级越高就该需要越多词。但在前2000词的范围内，几乎没有差别。取各语言的中位数（A1在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%。
等级的差异出现在更高的词汇量上。掌握5000词时，你能认识30.2%的A1短片、20.6%的A2短片、22.6%的B1短片、15.5%的B2短片和4.5%的C1短片中95%的词。长度是原因之一：样本中C1短片的词数中位数是338，A1是81。短片用到生僻词的机会更少。
覆盖率最低的那些短片，大多和食物有关。在2000词条件下覆盖率最低的25条英语短片中，约三分之二是食谱、美食测评或零食试吃，其中21条标为A1或A2。西班牙语中，最低的25条里有11条和食物有关，还有三条是儿歌。食谱的语法很简单（「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位，tablespoon排第11551位。西班牙语中，ajo排第6605位，sartén（平底锅）排第11125位。
这里有两条英语短片。第一条是标为B2的电影预告片：96.9%的词在前2000词内，在1300词时就越过了95%。第二条是标为A2的慢炖锅食谱：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：说话人的语速中位数是每分钟215词。一个等级标签把语速、语法和词汇混成了一个字母，而丢掉的恰恰是词汇那部分。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：美食、烹饪和产品类内容会用到很多排名很靠后的词。
不同变体也有差别
阿拉伯语的每种方言都用单独的词频表来衡量。其他语言的所有变体共用一张表。在2000词条件下，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%。对摩洛哥方言来说，典型短片里有9.5%的词根本不在它的词表中，所以这个差距有一部分来自词表本身。法语方面，魁北克短片为90.6%，法国本土短片为87.6%。巴西葡萄牙语是87.4%，欧洲葡萄牙语是80.3%，但只有61条欧洲葡萄牙语短片通过了筛选，而且它们是对照另一张表评分的，所以这个数字要谨慎看待。
和Nation的估算相比如何
关于英语口语最有名的数字来自Paul Nation在2006年的论文《阅读和听力需要多大的词汇量？》。他使用一个新西兰英语口语语料库，发现3000个词族加专有名词可以提供95%以上的覆盖率，而要达到98%需要6000到7000个词族。Webb和Rodgers（2009）对电影剧本得出了类似的数字：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%。把所有英语短片当成一整篇长文本来看，5000词覆盖95.1%。数字不同有三个原因，而且没有一个说明哪项研究错了：
- 词族比词元大。一个词族把happy、unhappy、happiness和happily归为一个单位。词元表把它们算作四个。所以3000个词族对应的词元数量更多。
- 词表主要是从书面文本建起来的。日常口语词在表中的位置比你以为的更靠后：alright排第3102位，kinda排第2333位，bye排第3273位。
- 短视频只讲一个话题。一条两分钟的食谱把大部分词都花在某一个话题的词汇上，而长对话会来回转换，更多地重复使用通用词。
如果你正在学一门语言，这意味着什么
前2000或3000词值得有意识地去学，用按词频排序的卡组或课程。到那个阶段，已经有相当一部分母语者短片能达到95%，之后你就可以从语境而不是词表中获取很多新词。Christian Lauer的初学者指南讲了怎样快速到达这个阶段。
之后，挑短片要看题材，不要只看等级。一个掌握3000西班牙语词的学习者能看懂上面那条猫的小段子，却可能在肉丸食谱里彻底迷路，尽管两条都标为A2。而对捷克语、芬兰语、匈牙利语、俄语和乌克兰语来说，这里的数字看起来会比实际更吓人：被算作生词的，很多其实是你认识的词，只是带了你还没见过的词尾。
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，字幕也是逐词对照的，和本页的短片一样。关于为什么理解先于开口，可以看：怎样停止在脑子里翻译。
我是怎么测的
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。对每种语言，我在每个CEFR等级下最多抽取500条短片，并按各等级在片库中的占比加权，使数字能代表整个片库。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（通常是文字稿语言不对）。之后，23种被排名语言中剩下35615条短片，共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。 每份文字稿按空格和标点切分成词，转为小写，去掉数字。每个词在其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用其他工具），再按每个词元的总频次排序。不在表中的词形用simplemma做词形还原作为兜底。专有名词（首字母大写、不在句首、不在表中）以及uh、mhm、haha这类边缘词算作已知，和Nation（2006）以及Webb和Rodgers（2009）的做法一致。德语所有名词都大写，而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。 覆盖率是一条短片中词元属于前N位的词次占比。上面的百分比是各短片的中位数。对于「达到95%的短片比例」，每条短片的确切门槛都由它自己的词排名算出，所以没有插值。「典型短片在多少词时达到95%」指的是中位短片越过95%所需的最小词汇量。
未排名。 希伯来语的前缀（ve-、ha-、be-、le-）没有被切分，所以认识的词被算作生词。泰米尔语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，所以它们的数字无法和其他语言比较。一种语言至少要有300条短片才会被排名。挪威语有449条；其他所有被排名的语言都超过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，而「10,000+」表示典型短片用整张词表也达不到95%。
已知偏差。 这些数字描述的是文字稿而不是音频，所以语音识别的错误也算作词。完美掌握前N个词是一种理想情况，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：它偏向语音清晰、受众面广的短片，所以它不是YouTube或TikTok全部内容的随机样本。
使用这些数据
欢迎你在自己的写作、教学或研究中重用本页的图表和数字。请注明本页为来源并附上链接。
| 语言 | 短片数 | 1,000 | 2,000 | 5,000 | 95%+ | 98%+ | 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列：一条短片中被前1000、2000或5000个词元覆盖的词次占比的中位数。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。95%所需：中位短片越过95%所需的词汇量（10,000+表示一万词以内达不到）。* 下限：典型短片中有9%或更多的词无法匹配到词表，所以真实覆盖率更高。† 土耳其语词表只有9088个词元：典型土耳其语短片用整张表也达不到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. 记录
- 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. 本研究使用的是来自github.com/rspeer/wordfreq的3.1.1版本。
- 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
初学者如何用可理解输入
只有当你能听懂个大概，可理解输入才真正起作用。Christian Lauer 讲如何尽快到达那个水平，以及怎么判断你到了。
如何停止在脑子里翻译：为什么听懂要排在开口之前
想停止在脑子里翻译，办法是给大脑足够多能听懂的语音，让它不再需要翻译。翻译只是大脑在经验不足时搭的临时桥。真正的解法不是技巧，而是量：大量听你基本能懂的真实语音，直到大脑能从声音直接走到意思，不再绕道母语。
为什么可理解输入对学中文的人特别有效
中文最大的几道坎,声调、汉字读写、口语和书面语之间的差距,都要先用耳朵学,再用规则去理解。语法练习和单词卡教你认出孤立的中文,可理解输入教你认出母语者真正说出口的中文:自然语速、有上下文、声调和节奏都在。这篇文章讲的就是这个区别。