Сколько слов нужно, чтобы понимать видео носителей?
Зная 5000 самых частотных английских слов, ты понимаешь 95,6% слов в типичном ролике носителя. Испанскому нужно около 6800 слов, чтобы дойти до 95%, а в 13 языках из 23 не хватает и 10 000. Данные по 35 615 роликам носителей — по языкам и по уровням.
Chief Language Geek @ Reelang
Если ты знаешь 5000 самых частотных английских слов, в типичном англоязычном ролике носителя тебе знакомы 95,6% слов, а 58,4% роликов дотягивают до 95% — уровня, на котором, по исследованиям аудирования, человек уже хорошо понимает речь. Испанскому нужно около 6800 слов, чтобы типичный ролик дошёл до 95%, а в 13 из 23 языков, которые я измерил, не хватает и 10 000 слов.
Эти числа получены из 35 615 роликов носителей на 23 языках из каталога Reelang. Каждое слово сверялось с частотным списком своего языка. Выбери ниже язык и размер словаря — и увидишь, что он даёт.
Первая тысяча слов делает почти всю работу
Частотность слов устроена очень неравномерно. Несколько сотен слов (the, and, is, you, que, de) составляют огромную долю всего, что люди говорят, а каждое следующее слово в списке встречается реже. Эта закономерность известна как закон Ципфа, и она работает во всех языках здесь.
По 18 языкам, которые можно ранжировать без оговорок, типичный ролик покрыт на 80,7% первой тысячей слов, на 86,7% — первыми двумя тысячами и на 92,4% — первыми пятью. Первая тысяча даёт четыре знакомых слова из пяти. Следующие четыре тысячи добавляют около двенадцати процентных пунктов.
Важные для аудирования пороги находятся внутри этих последних пунктов. Два из них постоянно всплывают в исследованиях о том, сколько слов нужно:
- 95%, одно незнакомое слово из 20. Батиа Лауфер предложила этот порог для чтения в 1989 году. Для аудирования van Zeeland и Schmitt (2013) обнаружили, что большинство слушателей справлялись уже при 90%, а при 95% понимание у изучающих язык было хорошим и заметно более ровным.
- 98%, одно незнакомое слово из 50. Hu и Nation (2000) выяснили, что примерно столько нужно, чтобы самостоятельно читать художественный текст с достаточным пониманием.
При 150 словах в минуту, обычном темпе речи, 95% — это около семи незнакомых слов каждую минуту (Nation, 2006). 98% — три. Разницу можно почувствовать в демо ниже. В нём взяты реальные реплики из роликов исследования, и скрыто каждое слово, которого нет в выбранном тобой словаре.
При 2000 слов реплика про фрикадельки знакома на 58,3%: albóndigas, parmesano, rallado и orégano вообще отсутствуют в списке, а perejil (петрушка) стоит на 13 520-м месте. Реплика про кота при тех же 2000 слов знакома на 96,2%. Оба ролика испанские, и оба помечены уровнем A2.
Английский и испанский в цифрах
Английский. Типичный ролик доходит до 90% при 2021 слове, до 95% при 4462 и до 98% при 9403. При 3000 слов 24,9% английских роликов дают 95% и выше. При 5000 — уже 58,4%, а 15,2% дают 98% и выше.
Испанский. Типичный ролик доходит до 90% при 2754 словах и до 95% при 6781. До 98% он не доходит и при 10 000. При 3000 слов 10,8% испанских роликов дают 95% и выше. При 5000 — 32,0%.
Значит, для испанского человек с запасом в 3000 слов найдёт примерно один ролик из десяти, где знакомы 95% слов. Это уже реальный материал для учёбы, потому что незнакомые слова там окружены знакомыми. Вот колумбийский ролик из их числа: 88,4% его слов входят в первую тысячу, 96,3% — в первые две.
Знать слова и расслышать их — не одно и то же. Говорящие в этом ролике выдают в среднем 243 слова в минуту, гораздо быстрее учебной записи. Покрытие лексикой говорит, понял бы ты расшифровку. Оно не говорит, успеешь ли ты за темпом.
Пологие и крутые языки
Кривые у всех разной формы. В датском, шведском и нидерландском первая тысяча слов уже покрывает от 84,4% до 86,5% типичного ролика, а переход с 1000 к 5000 добавляет лишь 8,3–9,3 пункта. Английский, французский, испанский, португальский и итальянский добавляют на том же отрезке 11,5–12,6 пункта. Самые крутые кривые — у индонезийского (+20,8), украинского (+18,3), арабского (+18,1), русского (+16,5), финского (+15,3), турецкого (+15,2) и польского (+14,3).
Крутая кривая значит, что после первой тысячи слов в ролике остаётся больше непонятного, зато каждая следующая тысяча ценнее. Отчасти дело в самом языке. Отчасти — в том, как считаются слова, и это стоит объяснить, прежде чем сравнивать два языка.
Списки здесь лемматизированы: dije, dijo и decir считаются одним словом, decir. Для испанского с его обилием глагольных форм это честно. Но лемматизатор работает, только если узнаёт форму. В чешском, финском, венгерском, русском и украинском от 9,0% до 10,8% словоупотреблений в типичном ролике — формы, которые список не смог свести ни к одной лемме. Многие из них — обычные слова с падежным окончанием, которое инструмент не отрезал. Здесь они считаются незнакомыми, поэтому для этих пяти языков числа — это нижняя граница: реальное покрытие выше. В таблице ниже они отмечены звёздочкой.
Сложные слова так же играют против немецкого, нидерландского и скандинавских языков. Немецкое Küchenschrank (кухонный шкаф) считается незнакомым, если всего слова нет в списке, — даже если обе части ты знаешь.
Метка уровня почти не меняет лексику
У каждого ролика в каталоге есть уровень CEFR, который ставит модель по расшифровке. Здесь они собраны в пять групп, от A1 (A0 считается за A1) до C1 (C2 считается за C1). Если бы метка отражала лексику, более высоким уровням требовалось бы больше слов. В пределах первых 2000 слов этого почти не видно. По медиане среди языков (A1 достаточно роликов в 11 из них, C1 — в 20) первые 2000 слов покрывают 84,0% ролика A1, 84,0% на A2, 85,2% на B1, 86,1% на B2 и 84,1% на C1.
Уровень проявляется в верхней части диапазона. При 5000 слов ты знал бы 95% слов в 30,2% роликов A1, 20,6% роликов A2, 22,6% роликов B1, 15,5% роликов B2 и 4,5% роликов C1. Часть причины — длина: медианный ролик C1 в выборке содержит 338 словоупотреблений, медианный A1 — 81. У короткого ролика меньше шансов употребить редкое слово.
Ролики с самым низким покрытием — в основном про еду. Из 25 английских роликов выборки с самым низким покрытием при 2000 слов около двух третей — рецепты, обзоры еды или дегустации снеков, и 21 помечен как A1 или A2. В испанском 11 из нижних 25 — про еду, а три — детские песенки. Грамматика в рецепте простая («добавь чеснок, перемешай, готово»), поэтому метка низкая. А вот существительные — нет. В английском списке garlic стоит на 6395-м месте, tablespoon — на 11 551-м. В испанском ajo — 6605, sartén (сковорода) — 11 125.
Вот два английских ролика. Первый — трейлер фильма с меткой B2: 96,9% его слов входят в первые 2000, а 95% он проходит уже на 1300 словах. Второй — рецепт для мультиварки с меткой A2: 72,3% его слов входят в первые 2000, а 95% он проходит только на 11 551 слове — на ранге tablespoon.
Трейлер тоже непрост, но по другой причине: его говорящие выдают в среднем 215 слов в минуту. Метка уровня смешивает скорость, грамматику и лексику в одну букву, и теряется именно лексика. Если твой запас между 2000 и 5000 слов, смотри не только на уровень ролика, но и на тему: еда, готовка и разговоры о товарах используют много слов из дальнего конца списка.
Варианты языка тоже различаются
Для арабского взят отдельный частотный список на каждый диалект. У остальных языков один список на все варианты. При 2000 слов типичный ролик на египетском арабском покрыт на 86,1%, на иракском — на 79,6%, на марокканском — на 72,5%. Для марокканского 9,5% слов типичного ролика вообще нет в его списке, так что часть разрыва — это сам список. Во французском ролики из Квебека дают 90,6% против 87,6% у роликов из Франции. Бразильский португальский — 87,4%, европейский португальский — 80,3%, но фильтры прошли лишь 61 европейский ролик, и оцениваются они по другому списку, так что к этой цифре стоит относиться осторожно.
Как это соотносится с оценкой Нейшена
Самая известная цифра для устного английского — из статьи Пола Нейшена 2006 года «How large a vocabulary is needed for reading and listening?». На корпусе устного новозеландского английского он получил, что 3000 словесных семей плюс имена собственные дают более 95% покрытия, а для 98% нужны 6000–7000 семей. Webb и Rodgers (2009) получили похожие числа для киносценариев: 3000 семей плюс имена собственные и маргинальные слова — 95,76%, 6000 семей с теми же добавками — 98,15%.
Мои числа по английскому выше: 4462 слова, чтобы типичный ролик дошёл до 95%, и 9403 для 98%. Если взять все английские ролики как один длинный текст, 5000 слов покрывают 95,1%. Расхождение объясняется тремя причинами, и ни одна из них не значит, что какое-то исследование ошибается:
- Семьи больше, чем леммы. Словесная семья объединяет happy, unhappy, happiness и happily в одну единицу. Список лемм считает их за четыре. Значит, 3000 семей соответствуют большему числу лемм.
- Список построен в основном на письменных текстах. Обычные разговорные слова стоят в нём ниже, чем ожидаешь: alright — 3102-е слово, kinda — 2333-е, bye — 3273-е.
- Короткие видео держатся одной темы. Двухминутный рецепт тратит почти все слова на лексику одной темы, а длинный разговор ходит по темам и чаще переиспользует общие слова.
Что это значит, если ты учишь язык
Первые 2000–3000 слов стоит выучить целенаправленно — по частотной колоде или курсу. К этому моменту реальная доля роликов носителей оказывается в пределах 95%, и дальше многие новые слова можно подхватывать из контекста, а не из списка. В руководстве для начинающих Christian Lauer объясняет, как быстро дойти до этой точки.
Потом выбирай ролики по теме, а не только по уровню. Человек с 3000 испанских слов поймёт скетч про кота выше и всё равно потеряется в рецепте фрикаделек, хотя оба помечены как A2. А для чешского, финского, венгерского, русского и украинского ожидай, что цифры здесь выглядят страшнее реальности: многое из «незнакомого» — знакомое слово с окончанием, которое тебе ещё не попадалось.
Если хочешь тренироваться на таких же роликах, страницы испанского, английского и немецкого собирают ролики носителей по уровням, с такими же пословными субтитрами, как в роликах на этой странице. Подробнее о том, почему понимание идёт раньше речи: как перестать переводить в голове.
Как я это измерял
Ролики. Все ролики были в каталоге Reelang на 29 сентября 2026 года и в ротации: показывались публично, со звучащей речью, контент носителей (не языковые уроки), без дубляжа и на одном языке. Для каждого языка я взял до 500 роликов на каждый уровень CEFR и взвесил уровни по их доле в каталоге, чтобы числа описывали каталог в целом. Ролики короче 50 слов, ролики с повторяющимися строками субтитров (более 30% строк), ролики быстрее 330 слов в минуту длительности и ролики, где более 35% слов отсутствуют в списке языка (обычно это расшифровка не на том языке), были удалены. После этого осталось 35 615 роликов на 23 ранжированных языках с 13,8 млн словоупотреблений. Медианная длина ролика — 81 секунда. 35 600 из них с YouTube, 8 с TikTok и 7 из Instagram.
Слова. Каждая расшифровка разбивается на слова по пробелам и пунктуации, приводится к нижнему регистру, цифры убираются. Каждое слово ищется в частотном списке своего языка, построенном на wordfreq 3.1.1 (Speer, 2022): 25 000 самых частотных словоформ, сгруппированных по леммам с помощью simplemma (для арабского, иврита и азиатских языков — другие инструменты) и упорядоченных по суммарной частоте каждой леммы. Формы, которых нет в списке, лемматизируются через simplemma как запасной вариант. Имена собственные (с заглавной буквы, не в начале предложения, отсутствующие в списке) и маргинальные слова вроде uh, mhm и haha считаются знакомыми — так же, как у Nation (2006) и Webb и Rodgers (2009). В немецком все существительные пишутся с заглавной, а в хинди и арабском заглавных букв нет, поэтому этим языкам скидка на имена собственные не даётся. В английском половинки стяжений считаются как полные слова (didn't = did и not).
Числа. Покрытие — это доля словоупотреблений в ролике, чья лемма входит в первые N. Проценты выше — медианы по роликам. Для показателей «роликов на 95%» точный порог каждого ролика считается по его собственным рангам слов, без интерполяции. «Типичный ролик доходит до 95% при» — это наименьший размер словаря, при котором медианный ролик проходит 95%.
Без ранга. В иврите приставки (ve-, ha-, be-, le-) не отделяются, поэтому знакомые слова считаются незнакомыми. Тамильские расшифровки — на разговорном тамильском, а список — на письменном. Японский, китайский и корейский считаются только по знаменательным словам, вьетнамский — по слогам, так что их числа несравнимы с остальными. Для ранга языку нужно не менее 300 роликов. У норвежского 449; у всех остальных ранжированных языков больше 1000. В турецком списке лишь 9088 лемм, поэтому для турецкого графики обрываются на 8000 словах, а «10 000+» значит, что типичный ролик не доходит до 95% даже со всем списком.
Известные смещения. Числа описывают расшифровки, а не аудио, поэтому ошибки распознавания речи тоже считаются словами. Идеальное знание первых N слов — идеализация, а идиомы не считаются едиными единицами. Уровень CEFR — это суждение модели о расшифровке. И сам каталог подобран для изучающих язык: в нём больше роликов с чёткой речью и широким интересом, так что это не случайная выборка всего YouTube или TikTok.
Используй эти данные
Ты можешь свободно переиспользовать графики и числа с этой страницы в своих текстах, преподавании или исследованиях. Пожалуйста, ставь ссылку на эту страницу как на источник.
| Язык | Ролики | 1000 | 2000 | 5000 | 95%+ | 98%+ | 95% при |
|---|---|---|---|---|---|---|---|
| Датский | 1122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5292 |
| Английский | 2002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4462 |
| Шведский | 1325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6768 |
| Нидерландский | 1841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7109 |
| Французский | 1961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5804 |
| Норвежский | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9478 |
| Испанский | 2195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6781 |
| Португальский | 1865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6121 |
| Румынский | 1602 | 81,4% | 87,0% | 92,5% | 25,3% | 5,8% | 9586 |
| Эсперанто | 1007 | 80,0% | 86,3% | 92,3% | 28,6% | 4,5% | 10 000+ |
| Итальянский | 1880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9269 |
| Турецкий | 1322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10 000+ † |
| Немецкий | 1933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10 000+ |
| Греческий | 1796 | 78,0% | 83,5% | 89,0% | 6,7% | 1,0% | 10 000+ |
| Хинди | 1417 | 77,2% | 82,4% | 88,3% | 6,6% | 1,2% | 10 000+ |
| Арабский | 1916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10 000+ |
| Польский | 1503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10 000+ |
| Индонезийский | 1582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10 000+ |
| Чешский * | 1239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10 000+ |
| Финский * | 1565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10 000+ |
| Венгерский * | 1732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10 000+ |
| Русский * | 1305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10 000+ |
| Украинский * | 1056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10 000+ |
Столбцы 1000, 2000 и 5000: медианная доля словоупотреблений в ролике, покрытая первыми 1000, 2000 или 5000 леммами. 95%+ и 98%+: доля роликов, в которых знающий первые 5000 лемм знает не менее 95% или 98% слов. 95% при: размер словаря, при котором медианный ролик проходит 95% (10 000+ значит, что в пределах 10 000 не проходит). * Нижняя граница: 9% и более слов типичного ролика не удалось сопоставить со списком, поэтому реальное покрытие выше. † В турецком списке лишь 9088 лемм: типичный турецкий ролик не доходит до 95% даже со всем списком.
Источники
- 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 (полный текст свободно)
- 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. Запись
- 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, свободный PDF
- Speer, R. (2022). wordfreq v3.0 [data and software]. Zenodo. doi.org/10.5281/zenodo.7199437. В этом исследовании использован релиз 3.1.1 с 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
Начни смотреть
Выбери язык и включай ленту. Реальная живая речь, оценённая по сложности восприятия. Без тестов, без регистрации.
Выбери языкЧитать дальше
Понятный ввод для начинающих
Понятный ввод работает только тогда, когда ты уже улавливаешь смысл сказанного. Christian Lauer — о том, как быстро дойти до этой точки и как понять, что ты уже там.
Как перестать переводить в голове: почему понимание идёт раньше речи
Переводить в голове перестаёшь тогда, когда мозг получает столько понятной речи, что перевод ему больше не нужен. Перевод — это костыль, который мозг строит из-за нехватки прямого опыта с языком. Лекарство не в хитрости и не в силе воли, а в объёме: часы слушания живой речи, которую ты в основном понимаешь, пока мозг не проложит прямой путь от звука к смыслу.
Почему понятный ввод работает для изучающих китайский
Понятный ввод работает с китайским потому, что главные препятствия языка — тоны, иероглифика и большой разрыв между устной и письменной речью — усваиваются на слух раньше, чем по правилам. Грамматические упражнения и карточки учат узнавать китайский в изоляции, а понятный ввод — так, как его на самом деле произносят носители: в естественном темпе, в контексте, с живой тональной и ритмической картиной.