如果你掌握了英语最常用的5000词，一段普通的英语母语者短视频里有95.6%的词你都认识，并且有58.4%的短视频达到95%这条线。听力研究发现，到了这个水平，学习者就能听懂大部分内容。西班牙语要让普通短视频达到95%，大约需要6800词；而在我统计的23种语言里，有13种连10000词都不够。
这些数字来自Reelang资料库里23种语言、共35615段母语者短视频，逐词与各语言的词频表比对得出。在下面选一个语言和一个词汇量，看看它能带你走多远。
前1000词承担了大部分工作
词频分布很不均匀。几百个词（the、and、is、you、que、de）就占了人们说话内容的很大一部分，而排名越往后，出现得就越少。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种可以放心排名的语言里，普通短视频被前1000词覆盖80.7%，前2000词覆盖86.7%，前5000词覆盖92.4%。前一千词就让你认识五个词里的四个。接下来的四千词只再增加约十二个百分点。
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%，即每20个词里有1个不认识。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不错，且个体差异明显变小。
- 98%，即每50个词里有1个不认识。Hu和Nation（2000）发现，学习者独立阅读小说时，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%意味着每分钟大约有七个不认识的词（Nation, 2006）。98%则是三个。下面的演示能让你感受到这个差别。它用的是本研究中短视频里的真实句子，并把不在你所选词表范围内的词全部遮掉。
在2000词的水平下，那句关于肉丸的话只有58.3%认识：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%。两段短视频都是西班牙语，标的都是A2。
英语和西班牙语，用数字说话
英语。 普通短视频在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%的英语短视频达到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。 普通短视频在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%的西班牙语短视频达到95%以上。掌握5000词，这个比例是32.0%。
所以对西班牙语来说，词汇量3000的学习者大约每十段短视频能找到一段，其中95%的词都熟悉。这已经是一个可用的学习素材池，因为那些还不认识的词，周围全是你认识的词。下面这段哥伦比亚短视频就是其中之一：它88.4%的词在前1000词内，96.3%在前2000词内。
认识词，不等于听得出来。这段短视频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。它不能告诉你，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相同。在丹麦语、瑞典语和荷兰语里，前1000词已经覆盖普通短视频的84.4%到86.5%，从1000词加到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，而之后每一千词的价值更高。这一部分源于语言本身，一部分源于词是怎么数的。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都算作同一个词decir。这对西班牙语是公平的，因为它动词变形很多。但词形还原工具只有认得出词形时才有用。在捷克语、芬兰语、匈牙利语、俄语和乌克兰语里，普通短视频中有9.0%到10.8%的词，工具无法匹配到任何词元。其中很多只是带着格变化词尾的普通词，工具没能把词尾去掉。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、荷兰语和北欧语言的影响类似。像Küchenschrank（厨房橱柜）这样的德语复合词，只要整个复合词不在词表里就算生词，即使你认识它的两个组成部分。
等级标签几乎不影响词汇难度
资料库里每段短视频都有一个CEFR等级，由一个读取文字稿的模型给出。这里把它们分成五档，从A1（A0算作A1）到C1（C2算作C1）。如果标签真能反映词汇，等级越高就该需要越多词。但在前2000词的范围内，基本看不出来。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短视频的84.0%，A2为84.0%，B1为85.2%，B2为86.1%，C1为84.1%。
等级的差别在高词汇量区间才显现。掌握5000词时，你能认识95%词汇的短视频比例是：A1占30.2%，A2占20.6%，B1占22.6%，B2占15.5%，C1只占4.5%。长度是原因之一：样本中C1短视频的词数中位数是338，A1只有81。短视频用到生僻词的机会更少。
覆盖率最低的短视频大多和食物有关。样本中在2000词水平下覆盖率最低的25段英语短视频里，约三分之二是菜谱、美食测评或零食试吃，其中21段标的是A1或A2。西班牙语里，最低的25段中有11段和食物有关，还有三段是儿歌。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位，tablespoon排第11551位。西班牙语里，ajo排第6605位，sartén（平底锅）排第11125位。
下面是两段英语短视频。第一段是标为B2的电影预告片：96.9%的词在前2000词内，在1300词时就越过95%。第二段是标为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。
预告片其实也不轻松，原因不同：它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，而丢掉的往往是词汇这一块。如果你的词汇量在2000到5000之间，选短视频时除了看等级，也看看主题：食物、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统计。其他语言的所有变体共用一张表。在2000词水平下，普通的埃及阿拉伯语短视频覆盖率是86.1%，伊拉克方言是79.6%，摩洛哥方言是72.5%。对摩洛哥方言来说，普通短视频里有9.5%的词根本不在它的词表里，所以这个差距一部分要归到词表上。法语方面，魁北克短视频是90.6%，法国的短视频是87.6%。巴西葡萄牙语是87.4%，欧洲葡萄牙语是80.3%，但只有61段欧洲葡萄牙语短视频通过了筛选，而且它们用的是另一张词表，所以这个数字要谨慎看待。
和Nation的估计相比如何
口语英语最知名的数字来自Paul Nation 2006年的论文《How large a vocabulary is needed for reading and listening?》。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可以带来95%以上的覆盖率，而要达到98%则需要6000到7000个词族。Webb和Rodgers（2009）对电影剧本得出了相近的数字：3000个词族加上专有名词和边缘词为95.76%，6000个词族加同样的补充为98.15%。
我得到的英语数字更高：普通短视频要达到95%需要4462词，达到98%需要9403词。把所有英语短视频合成一篇长文本来看，5000词覆盖95.1%。数字不同有三个原因，而且没有哪一个说明某项研究错了：
- 词族比词元大。一个词族把happy、unhappy、happiness和happily算作一个单位。词元表把它们算作四个。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。日常口语词在里面的排名比你预想的更低：alright排第3102位，kinda排第2333位，bye排第3273位。
- 短视频围绕单一主题。一段两分钟的菜谱，大部分词都花在同一个主题的词汇上；而一场长对话会不断换话题，重复使用更多通用词。
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。到了那个阶段，已经有相当一部分母语者短视频能达到95%，从那之后你就可以在语境中学到大量新词，而不再依赖词表。Christian Lauer的入门指南讲了如何快速走到这一步。
之后，选短视频要看主题，不要只看等级。词汇量3000的西班牙语学习者能看懂上面那段猫的小品，却可能在肉丸菜谱里彻底迷路，尽管两段都标着A2。而对于捷克语、芬兰语、匈牙利语、俄语和乌克兰语，请预期这里的数字看起来比实际更难：很多被算作生词的，其实是你认识的词加上一个你还没遇到过的词尾。
如果你想用上面这类短视频练习，西班牙语、英语和德语页面按等级列出了母语者短视频，字幕也是和本页一样的逐词字幕。关于为什么理解要走在开口之前：如何不再在脑子里翻译。
我是怎么测的
短视频。 所有短视频在2026年9月29日都在Reelang资料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等级我最多抽取500段，并按各等级在资料库中的占比加权，所以这些数字描述的是整个资料库。以下短视频被剔除：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）。剔除后，23种可排名语言共剩下35615段短视频，合计1380万个词。短视频长度的中位数是81秒。其中35600段来自YouTube，8段来自TikTok，7段来自Instagram。
词。 每份文字稿按空白和标点切分成词，转成小写，去掉数字。每个词都在对应语言的词频表里查找，词表基于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率排序。不在词表里的词形，退而用simplemma做词形还原。专有名词（首字母大写、不在句首、不在词表里）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。德语所有名词都首字母大写，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宽免。英语中缩略形式的两半算作完整词（didn't算作did和not）。
数字。 覆盖率指一段短视频中，词元位于前N名之内的词次占比。上面的百分比都是短视频之间的中位数。「达到95%的短视频比例」这类数字，是按每段短视频自身的词频排名单独算出门槛，没有做插值。「普通短视频在多少词时达到95%」指的是：中位数短视频越过95%所需的最小词汇量。
未排名的语言。 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。一种语言至少需要300段短视频才能排名。挪威语有449段；其他每种已排名语言都超过1000段。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「10000+」表示用整张词表，普通短视频仍达不到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词是一种理想情况，而习语没有被当作整体来算。CEFR等级是模型对文字稿的判断。另外，这个资料库是为学习者挑选的：它偏向语音清晰、受众面广的短视频，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 | 短视频数 | 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：一段短视频中被前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%词汇的短视频比例。95%所需：中位数短视频越过95%时的词汇量（10,000+表示10000词以内达不到）。* 下限：普通短视频中有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：普通土耳其语短视频用整张词表也达不到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
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中文学习者特别管用
中文最大的几道坎，声调、汉字识读、口语和书面语之间的巨大差距，都是先靠耳朵学会、再靠规则理解的东西。语法练习和闪卡教你在孤立状态下认出中文，可理解输入教你按母语者真实说话的方式认出它：自然语速、真实语境、声调和节奏都完整保留。这篇文章讲的就是这个区别。