如果你掌握了英语最常用的5000个词，一条普通的英语母语短片里，你认识的词占95.6%，并且58.4%的短片能达到95%，这是听力研究发现学习者能听懂得比较好的水平。西班牙语要让普通短片达到95%，需要约6800词；在我测量的23种语言里，有13种连10000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，看看它能带来什么。
头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很大一部分，排名越往后的词出现得越少。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种可以毫无保留地排名的语言中，普通短片被最常用1000词覆盖80.7%，被前2000词覆盖86.7%，被前5000词覆盖92.4%。头一千个词让你在每五个词里认识四个。接下来的四千个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，有两个数字反复出现：
- 95%，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和Schmitt（2013）发现，多数听者在90%时就已经应付得过来，而到95%时，第二语言听者理解得很好，彼此之间的差异也小得多。
- 98%，每50个词里有1个生词。Hu和Nation（2000）发现，学习者自己读小说时，大致需要这个水平才能充分理解。
按每分钟150词这个正常语速算，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。
用2000词时，那句关于肉丸的话认识率是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，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。
英语和西班牙语的数字
英语。 普通短片在2021词时达到90%，在4462词时达到95%，在9403词时达到98%。掌握3000词，24.9%的英语短片达到95%或以上。掌握5000词，这个比例是58.4%，其中15.2%达到98%或以上。
西班牙语。 普通短片在2754词时达到90%，在6781词时达到95%。在10000词以内达不到98%。掌握3000词，10.8%的西班牙语短片达到95%或以上。掌握5000词，这个比例是32.0%。
所以对西班牙语来说，掌握3000词的学习者大约每十条短片能找到一条，其中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一：88.4%的词在前1000词内，96.3%在前2000词内。
认识这些词，和听出这些词不是一回事。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
这些曲线形状并不一样。在丹麦语、瑞典语和荷兰语中，前1000词就已经覆盖普通短片的84.4%到86.5%，从1000词增加到5000词只多加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让短片里剩下更多生词，而之后每多一千词价值都更高。这一部分是语言本身造成的，一部分是词的统计方式造成的；在你拿两种语言作比较之前，这一点需要先说清楚。
这里的词表做了词形还原：dije、dijo和decir都算同一个词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认得出这个形式时才有用。在捷克语、芬兰语、匈牙利语、俄语和乌克兰语中，普通短片里有9.0%到10.8%的词形，工具没法匹配到任何词元。其中很多只是带了格变化词尾、而工具没能去掉的普通词。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。它们在下面的表格里用星号标出。
复合词对德语、荷兰语和北欧语言有类似的不利影响。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，由一个读文字稿的模型判定。这里把它们归为五档，从A1（A0算作A1）到C1（C2算作C1）。如果标签和词汇难度挂钩，更高的等级就该需要更多词。但在前2000词的范围内，几乎看不出差别。取各语言的中位数（A1在其中11种语言里样本够，C1在20种里够），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，你会认识95%的词的短片比例是：A1短片30.2%、A2短片20.6%、B1短片22.6%、B2短片15.5%、C1短片4.5%。长度是原因之一：样本中C1短片的词数中位数是338，A1是81。短片用到冷僻词的机会更少。
覆盖率最低的短片大多和食物有关。在样本中2000词覆盖率最低的25条英语短片里，约三分之二是菜谱、美食测评或零食试吃，其中21条被标为A1或A2。西班牙语里，最低的25条中有11条和食物有关，还有三条是儿歌。菜谱里的语法很简单（“放蒜、搅拌、完成”），所以等级标得低。名词可不简单。在英语词表里，garlic排第6395位，tablespoon排第11551位。在西班牙语里，ajo排第6605位，sartén（平底锅）排第11125位。
下面是两条英语短片。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，也就是tablespoon的排名，才越过95%。
那条预告片也不轻松，只是原因不同：它的说话人语速中位数是每分钟215词。等级标签把语速、语法和词汇混成一个字母，而被淹没的恰恰是词汇这部分。如果你的词汇量在2000到5000之间，看短片时除了等级，也要看题材：美食、烹饪和产品介绍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测量。其他语言的所有变体共用一张词表。用2000词时，普通的埃及阿拉伯语短片覆盖率为86.1%，伊拉克方言79.6%，摩洛哥方言72.5%。对摩洛哥方言来说，普通短片里有9.5%的词根本不在它的词表里，所以这个差距有一部分来自词表。法语方面，魁北克短片是90.6%，法国本土的短片是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词表评分的，所以这个数字要谨慎看待。
这和Nation的估算怎么比
关于英语口语最有名的数字来自Paul Nation在2006年的论文《How large a vocabulary is needed for reading and listening?》。他用一个新西兰英语口语语料库发现，3000个词族加上专有名词可以带来95%以上的覆盖率，而要达到98%需要6000到7000个词族。Webb和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%。
我这里英语的数字更高：普通短片要达到95%需要4462词，达到98%需要9403词。如果把所有英语短片当成一篇长文本，5000词覆盖95.1%。数字不同有三个原因，而这都不意味着哪项研究是错的：
- 词族比词元大。一个词族把happy、unhappy、happiness和happily算作一个单位。词元表把它们算成四个。所以3000个词族对应的词元数量更多。
- 词表主要基于书面文本构建。日常口语词在表中的位置比你想象的靠后：alright排第3102位，kinda排2333位，bye排3273位。
- 短视频只围着一个话题转。一条两分钟的菜谱，大部分词都花在一个话题的词汇上；而一场长对话会来回跳转，更多地重复使用通用词。
如果你在学一门语言，这意味着什么
头2000或3000个词值得有意识地去学，用按词频排序的卡片组或课程都行。到那个阶段，已经有相当一部分母语者短片能达到95%，从那以后你就可以从语境里，而不是从词表里，大量吸收新词。Christian Lauer的初学者指南讲了怎样快速到达这一步。
之后，挑短片要看题材，不只看等级。掌握3000个西班牙语词的学习者能跟上上面那条猫的小段子，却仍然会在肉丸菜谱里迷路，尽管两者都标为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：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，字幕和本页短片一样是逐词对照的。关于为什么理解要走在开口之前，可以看：如何停止在脑子里翻译。各语言分别需要多少小时的视频，见学一门语言要多久，里面还有按你自己的水平和每日时间计算的工具。
我是怎么测量的
短片。 所有短片在2026年9月29日时都在Reelang片库中且处于轮播状态：公开展示、有语音、母语者内容（不是语言课）、未配音、且只有一种语言。每种语言我在每个CEFR等级最多抽取500条短片，并按该等级在片库中的占比加权，这样数字描述的是整个片库。以下短片被剔除：词数少于50的；某条字幕行重复出现的（超过30%的行）；按时长算语速超过每分钟330词的；以及超过35%的词不在该语言词表里的（通常是文字稿语言不对）。筛选之后，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询；词频表基于wordfreq 3.1.1（Speer, 2022）构建：取最高频的25000个词形，用simplemma按词元归组（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名。不在表中的词形用simplemma作为兜底做词形还原。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之分，所以这些语言不享受专有名词的优待。英语中缩写的两半各算完整词（didn't算作did和not）。
数字。 覆盖率指一条短片中，词元落在前N名内的词次所占的比例。上文的百分比是各短片的中位数。“达到95%的短片”这组数字，是用每条短片自身的词排名算出它各自的门槛，因此没有插值。“普通短片在多少词时达到95%”指的是中位数短片越过95%所需的最小词汇量。
未参与排名的语言。 希伯来语的前缀（ve-、ha-、be-、le-）没有被切分出来，所以认识的词被算成生词。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，所以它们的数字无法与其他语言比较。一种语言至少要有300条短片才会参与排名。挪威语有449条；其余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+”表示用整张词表普通短片也达不到95%。
已知偏差。 这些数字描述的是文字稿，不是音频，所以语音识别错误也被算作词。完美掌握前N个词是一种理想情况，而且习语没有被当作一个整体来计数。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：它偏向口齿清晰、受众面广的短片，所以并不是YouTube或TikTok上全部内容的随机样本。
使用这些数据
欢迎在你自己的写作、教学或研究中重新使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这三列：一条短片中被前1000、2000或5000个词元覆盖的词次比例的中位数。95%+和98%+：掌握前5000个词元的学习者认识其中至少95%或98%的词的短片比例。95%所需：中位数短片越过95%所需的词汇量（10,000+表示10000词以内达不到）。* 下限：普通短片中有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：用整张词表，普通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. 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。