Kolik slov potřebuješ, abys rozuměl videím od rodilých mluvčích?
S 5 000 nejčastějšími anglickými slovy znáš v typickém rodilém klipu 95,6 % slov. Španělština potřebuje k 95 % asi 6 800 slov a u 13 z 23 jazyků nestačí ani 10 000. Data z 35 615 rodilých klipů, podle jazyka i podle úrovně.
Chief Language Geek @ Reelang
Když znáš 5 000 nejčastějších anglických slov, v typickém rodilém anglickém klipu ti bude povědomých 95,6 % slov a 58,4 % klipů dosáhne hranice 95 %, tedy úrovně, při které podle výzkumů poslechu studující rozumí dobře. Ve španělštině potřebuje typický klip k 95 % asi 6 800 slov a u 13 z 23 měřených jazyků nestačí ani 10 000 slov.
Čísla pocházejí z 35 615 rodilých klipů ve 23 jazycích z katalogu Reelang. Každé slovo bylo porovnáno s frekvenčním seznamem daného jazyka. Vyber si níže jazyk a velikost slovní zásoby a uvidíš, co ti to přinese.
Prvních 1 000 slov odvede většinu práce
Frekvence slov je hodně nerovnoměrná. Pár set slov (the, and, is, you, que, de) tvoří velkou část všeho, co kdo řekne, a každé další slovo v pořadí se objevuje méně často. Tomuhle vzorci se říká Zipfův zákon a platí ve všech jazycích, které tu jsou.
V 18 jazycích, které můžu seřadit bez výhrad, pokrývá typický klip z 80,7 % prvních 1 000 slov, z 86,7 % prvních 2 000 a z 92,4 % prvních 5 000. První tisíc slov ti dá čtyři známá slova z pěti. Další čtyři tisíce přidají asi dvanáct procentních bodů.
Hranice, které jsou pro poslech důležité, leží právě v těch posledních bodech. Dvě z nich se ve výzkumu o potřebné slovní zásobě objevují znovu a znovu:
- 95 %, tedy jedno neznámé slovo z dvaceti. Batia Laufer ji navrhla pro čtení v roce 1989. Pro poslech zjistili van Zeeland a Schmitt (2013), že většina posluchačů zvládala už 90 % a že při 95 % rozuměli posluchači v druhém jazyce dobře a s mnohem menšími rozdíly mezi sebou.
- 98 %, tedy jedno neznámé slovo z padesáti. Hu a Nation (2000) zjistili, že studující, kteří četli beletrii sami, potřebovali k dostatečnému porozumění zhruba tolik.
Při 150 slovech za minutu, což je běžné tempo řeči, znamená 95 % asi sedm neznámých slov každou minutu (Nation, 2006). 98 % znamená tři. Ten rozdíl si můžeš osahat v ukázce níže. Používá skutečné věty z klipů ve studii a vymaže každé slovo, které není mezi vybraným počtem nejčastějších slov.
Při 2 000 slovech je věta o masových kuličkách známá z 58,3 %: albóndigas, parmesano, rallado a orégano v seznamu vůbec nejsou a perejil (petržel) je na pozici 13 520. Věta o kočce je při stejných 2 000 slovech známá z 96,2 %. Oba klipy jsou španělské a oba jsou označené jako A2.
Angličtina a španělština v číslech
Angličtina. Typický klip dosáhne 90 % při 2 021 slovech, 95 % při 4 462 slovech a 98 % při 9 403 slovech. S 3 000 slovy je 24,9 % anglických klipů na 95 % a výš. S 5 000 slovy je to 58,4 % a 15,2 % klipů je na 98 % a výš.
Španělština. Typický klip dosáhne 90 % při 2 754 slovech a 95 % při 6 781 slovech. Na 98 % se do 10 000 slov nedostane. S 3 000 slovy je 10,8 % španělských klipů na 95 % a výš. S 5 000 slovy je to 32,0 %.
Takže u španělštiny najde člověk s 3 000 slovy zhruba jeden klip z deseti, kde mu je povědomých 95 % slov. To je reálná zásoba, ze které se dá učit, protože slova, která ještě neznáš, se objevují obklopená těmi, která znáš. Tenhle kolumbijský klip je jedním z nich: 88,4 % jeho slov je mezi prvními 1 000 a 96,3 % mezi prvními 2 000.
Znát slova ale není totéž jako zachytit je. Mluvčí v tom klipu mluví mediánovým tempem 243 slov za minutu, tedy mnohem rychleji než nahrávka z učebnice. Pokrytí slovní zásoby ti řekne, jestli bys rozuměl přepisu. Neřekne ti, jestli stíháš tempo.
Ploché a strmé jazyky
Křivky nemají všechny stejný tvar. V dánštině, švédštině a nizozemštině pokrývá prvních 1 000 slov už 84,4 % až 86,5 % typického klipu a posun z 1 000 na 5 000 slov přidá jen 8,3 až 9,3 bodu. Angličtina, francouzština, španělština, portugalština a italština přidají ve stejném rozsahu 11,5 až 12,6 bodu. Nejstrmější křivky má indonéština (+20,8), ukrajinština (+18,3), arabština (+18,1), ruština (+16,5), finština (+15,3), turečtina (+15,2) a polština (+14,3).
Strmá křivka znamená, že po prvním tisíci slov zůstane z klipu víc neznámého a každý další tisíc má větší cenu. Část toho dělá jazyk sám. Část dělá způsob, jakým se slova počítají, a to je potřeba vysvětlit, než začneš porovnávat dva jazyky.
Seznamy jsou tu lemmatizované: dije, dijo i decir se počítají jako jedno slovo, decir. To je vůči španělštině férové, protože má spoustu slovesných tvarů. Lemmatizér ale funguje jen tehdy, když tvar rozpozná. V češtině, finštině, maďarštině, ruštině a ukrajinštině je 9,0 % až 10,8 % slov v typickém klipu tvarů, které seznam nedokázal přiřadit k žádnému lemmatu. Řada z nich jsou běžná slova s pádovou koncovkou, kterou nástroj neodstranil. Tady se počítají jako neznámá, takže u těchto pěti jazyků jsou čísla spodní hranicí: skutečné pokrytí je vyšší. V tabulce níže jsou označené hvězdičkou.
Složeniny podobně škodí němčině, nizozemštině a severským jazykům. Německá složenina jako Küchenschrank (kuchyňská skříňka) se počítá jako neznámá, pokud v seznamu není celá složenina, i když obě části znáš.
Označení úrovně slovní zásobu skoro nemění
Každý klip v katalogu má úroveň podle CEFR, kterou určí model z přepisu. Tady jsou seskupené do pěti pásem, od A1 (A0 se počítá jako A1) po C1 (C2 se počítá jako C1). Kdyby označení sledovalo slovní zásobu, vyšší úrovně by potřebovaly víc slov. U prvních 2 000 slov to tak skoro není. Podle mediánu napříč jazyky (A1 má dost klipů v 11 z nich, C1 ve 20) pokrývá prvních 2 000 slov 84,0 % klipu A1, 84,0 % u A2, 85,2 % u B1, 86,1 % u B2 a 84,1 % u C1.
Úroveň se projeví až na horním konci rozsahu. S 5 000 slovy bys znal 95 % slov ve 30,2 % klipů A1, 20,6 % klipů A2, 22,6 % klipů B1, 15,5 % klipů B2 a 4,5 % klipů C1. Část důvodu je délka: mediánový klip C1 ve vzorku má 338 slov, mediánový klip A1 jen 81. Krátký klip má míň příležitostí použít vzácné slovo.
Klipy s nejnižším pokrytím jsou většinou o jídle. Z 25 anglických klipů ve vzorku s nejnižším pokrytím při 2 000 slovech jsou asi dvě třetiny recepty, recenze jídla nebo ochutnávky svačin a 21 z nich je označeno jako A1 nebo A2. Ve španělštině je 11 z nejnižších 25 o jídle a tři jsou dětské písničky. Gramatika v receptu je jednoduchá („přidej česnek, zamíchej, hotovo“), proto dostane nízkou úroveň. Podstatná jména jednoduchá nejsou. V anglickém seznamu je garlic slovo číslo 6 395 a tablespoon 11 551. Ve španělštině je ajo na 6 605 a sartén (pánev) na 11 125.
Tady jsou dva anglické klipy. První je filmový trailer označený jako B2: 96,9 % jeho slov je mezi prvními 2 000 a hranici 95 % překročí při 1 300 slovech. Druhý je recept do pomalého hrnce označený jako A2: 72,3 % jeho slov je mezi prvními 2 000 a 95 % překročí až při 11 551 slovech, což je pořadí slova tablespoon.
Ani trailer není snadný, ale z jiného důvodu: jeho mluvčí mluví mediánovým tempem 215 slov za minutu. Označení úrovně míchá tempo, gramatiku a slovní zásobu do jediného písmene a ztrácí se právě ta slovní zásoba. Pokud znáš mezi 2 000 a 5 000 slovy, dívej se u klipu i na téma, nejen na úroveň: jídlo, vaření a povídání o produktech používají hodně slov z hlubin seznamu.
Varianty se liší také
Arabština se měří se zvláštním frekvenčním seznamem pro každý dialekt. Ostatní jazyky používají jeden seznam pro všechny své varianty. Při 2 000 slovech je typický klip v egyptské arabštině pokrytý z 86,1 %, irácký ze 79,6 % a marocký ze 72,5 %. U marockého není 9,5 % slov v typickém klipu v jeho seznamu vůbec, takže část toho rozdílu jde za seznamem. Ve francouzštině vycházejí quebecké klipy na 90,6 % oproti 87,6 % u klipů z Francie. Brazilská portugalština je na 87,4 %, evropská na 80,3 %, ale filtry prošlo jen 61 evropských portugalských klipů a hodnotí se proti jinému seznamu, takže s tímhle číslem zacházej opatrně.
Jak to vychází oproti Nationovu odhadu
Nejznámější číslo pro mluvenou angličtinu pochází z práce Paula Nationa z roku 2006 „How large a vocabulary is needed for reading and listening?“. Na korpusu mluvené novozélandské angličtiny zjistil, že 3 000 slovních rodin plus vlastní jména dají přes 95 % pokrytí a že k 98 % je potřeba 6 000 až 7 000 slovních rodin. Webb a Rodgers (2009) došli u filmových scénářů k podobným číslům: 3 000 rodin plus vlastní jména a okrajová slova pro 95,76 % a 6 000 rodin plus tytéž doplňky pro 98,15 %.
Moje čísla pro angličtinu jsou vyšší: 4 462 slov, aby typický klip dosáhl 95 %, a 9 403 pro 98 %. Když vezmeme všechny anglické klipy dohromady jako jeden dlouhý text, 5 000 slov pokryje 95,1 %. Čísla se liší ze tří důvodů a ani jeden neznamená, že by některá studie byla špatně:
- Rodiny jsou větší než lemmata. Slovní rodina spojuje happy, unhappy, happiness a happily do jedné jednotky. Seznam lemmat je počítá jako čtyři. Takže 3 000 rodin odpovídá většímu počtu lemmat.
- Seznam je postavený hlavně z psaného textu. Běžná mluvená slova v něm leží níž, než bys čekal: alright je slovo 3 102, kinda 2 333 a bye 3 273.
- Krátká videa se drží jednoho tématu. Dvouminutový recept utratí většinu slov za slovní zásobu jednoho tématu, kdežto dlouhý rozhovor přeskakuje a víc opakuje obecná slova.
Co z toho plyne, když se učíš jazyk
Prvních 2 000 nebo 3 000 slov se vyplatí učit cíleně, s balíčkem nebo kurzem seřazeným podle frekvence. V té chvíli je reálná část rodilých klipů dosažitelná na 95 % a odtud pochytíš spoustu nových slov z kontextu, ne ze seznamu. Jak se tam dostat rychle, popisuje průvodce pro začátečníky od Christiana Lauera.
Potom si klipy vybírej podle tématu, ne jen podle úrovně. Člověk s 3 000 španělskými slovy zvládne tu scénku o kočce a zároveň se ztratí v receptu na masové kuličky, i když obojí je označené jako A2. A u češtiny, finštiny, maďarštiny, ruštiny a ukrajinštiny čekej, že čísla tady budou působit hůř, než jaká realita je: velká část toho, co se počítá jako neznámé, je slovo, které znáš, jen s koncovkou, se kterou ses ještě nepotkal.
Jestli si chceš procvičovat s podobnými klipy, stránky španělština, angličtina a němčina nabízejí rodilé klipy podle úrovně, se stejnými titulky slovo po slovu jako klipy na této stránce. Víc o tom, proč porozumění přichází dřív než mluvení: jak si přestat překládat v hlavě.
Jak jsem to měřil
Klipy. Všechny klipy byly 29. září 2026 v katalogu Reelang a v rotaci: veřejně zobrazované, s mluvenou řečí, rodilý obsah (ne jazykové lekce), nedabované a v jednom jazyce. Z každého jazyka jsem vybral až 500 klipů na úroveň CEFR a každou úroveň zvážil podle jejího podílu v katalogu, takže čísla popisují katalog jako celek. Vyřadil jsem klipy s méně než 50 slovy, klipy, kde se jeden řádek titulků opakuje (víc než 30 % řádků), klipy rychlejší než 330 slov za minutu stopáže a klipy, kde víc než 35 % slov není v seznamu daného jazyka (obvykle přepis ve špatném jazyce). Po tom zbylo 35 615 klipů ve 23 hodnocených jazycích s 13,8 milionu slov. Mediánový klip je dlouhý 81 sekund. 35 600 z nich je z YouTube, 8 z TikToku a 7 z Instagramu.
Slova. Každý přepis je rozdělen na slova podle mezer a interpunkce, převeden na malá písmena a zbaven číslic. Každé slovo se vyhledá ve frekvenčním seznamu svého jazyka, který vznikl z wordfreq 3.1.1 (Speer, 2022): 25 000 nejčastějších slovních tvarů, seskupených podle lemmatu pomocí simplemma (jiné nástroje pro arabštinu, hebrejštinu a asijské jazyky) a seřazených podle celkové frekvence každého lemmatu. Tvary, které v seznamu nejsou, se lemmatizují pomocí simplemma jako záloha. Vlastní jména (s velkým písmenem, ne na začátku věty, ne v seznamu) a okrajová slova jako uh, mhm a haha se počítají jako známá, stejně jako u Nationa (2006) a u Webba a Rodgerse (2009). Němčina píše s velkým písmenem každé podstatné jméno a hindština a arabština velká písmena nemají, takže tyto jazyky bonus za vlastní jména nedostávají. V angličtině se poloviny stažených tvarů počítají jako plné slovo (didn't se počítá jako did a not).
Čísla. Pokrytí je podíl slov v klipu, jejichž lemma patří mezi prvních N. Procenta výše jsou mediány napříč klipy. U údajů „klipy na 95 %“ se přesná hranice počítá pro každý klip z jeho vlastních pořadí slov, takže se nic neinterpoluje. Údaj „typický klip dosáhne 95 % při“ je nejmenší velikost slovní zásoby, při které mediánový klip překročí 95 %.
Nehodnoceno. Hebrejské předpony (ve-, ha-, be-, le-) se neoddělují, takže známá slova se počítají jako neznámá. Tamilské přepisy jsou mluvená tamilština, ale seznam je psaná tamilština. Japonština, čínština a korejština se počítají jen v plnovýznamových slovech a vietnamština ve slabikách, takže jejich čísla nejdou srovnávat se zbytkem. Aby byl jazyk hodnocen, potřebuje aspoň 300 klipů. Norština má 449, každý další hodnocený jazyk víc než 1 000. Turecký seznam má jen 9 088 lemmat, takže u turečtiny grafy končí u 8 000 slov a „10 000+“ znamená, že typický klip nedosáhne 95 % ani s celým seznamem.
Známé zkreslení. Čísla popisují přepisy, ne zvuk, takže chyby rozpoznávání řeči se počítají jako slova. Dokonalá znalost prvních N slov je ideální případ a idiomy se nepočítají jako jednotky. Úroveň CEFR je odhad modelu z přepisu. A katalog je vybraný pro studující: nakloněný ke klipům se srozumitelnou řečí a širokým dosahem, takže to není náhodný vzorek všeho na YouTube nebo TikToku.
Použij tato data
Grafy a čísla z této stránky můžeš klidně použít ve svém psaní, výuce nebo výzkumu. Prosím, odkaž na tuto stránku jako na zdroj.
| Jazyk | Klipy | 1 000 | 2 000 | 5 000 | 95 %+ | 98 %+ | 95 % při |
|---|---|---|---|---|---|---|---|
| dánština | 1 122 | 86,5 % | 91,1 % | 94,8 % | 47,0 % | 8,4 % | 5 292 |
| angličtina | 2 002 | 83,7 % | 89,9 % | 95,6 % | 58,4 % | 15,2 % | 4 462 |
| švédština | 1 325 | 85,6 % | 89,8 % | 94,0 % | 37,6 % | 5,6 % | 6 768 |
| nizozemština | 1 841 | 84,4 % | 89,0 % | 93,7 % | 32,2 % | 3,5 % | 7 109 |
| francouzština | 1 961 | 82,7 % | 88,4 % | 94,2 % | 40,1 % | 5,8 % | 5 804 |
| norština | 449 | 83,5 % | 88,1 % | 93,0 % | 25,0 % | 3,8 % | 9 478 |
| španělština | 2 195 | 81,6 % | 87,3 % | 93,5 % | 32,0 % | 5,4 % | 6 781 |
| portugalština | 1 865 | 81,4 % | 87,2 % | 94,0 % | 38,4 % | 7,3 % | 6 121 |
| rumunština | 1 602 | 81,4 % | 87,0 % | 92,5 % | 25,3 % | 5,8 % | 9 586 |
| esperanto | 1 007 | 80,0 % | 86,3 % | 92,3 % | 28,6 % | 4,5 % | 10 000+ |
| italština | 1 880 | 79,7 % | 85,6 % | 91,9 % | 21,2 % | 2,7 % | 9 269 |
| turečtina | 1 322 | 77,1 % | 85,6 % | 92,3 % | 25,4 % | 5,5 % | 10 000+ † |
| němčina | 1 933 | 80,0 % | 84,8 % | 90,3 % | 11,3 % | 1,1 % | 10 000+ |
| řečtina | 1 796 | 78,0 % | 83,5 % | 89,0 % | 6,7 % | 1,0 % | 10 000+ |
| hindština | 1 417 | 77,2 % | 82,4 % | 88,3 % | 6,6 % | 1,2 % | 10 000+ |
| arabština | 1 916 | 73,1 % | 82,2 % | 91,2 % | 17,8 % | 2,7 % | 10 000+ |
| polština | 1 503 | 73,9 % | 81,0 % | 88,2 % | 8,2 % | 1,0 % | 10 000+ |
| indonéština | 1 582 | 68,6 % | 80,6 % | 89,4 % | 10,4 % | 2,3 % | 10 000+ |
| čeština * | 1 239 | 73,4 % | 80,0 % | 86,8 % | 3,9 % | 0,5 % | 10 000+ |
| finština * | 1 565 | 71,7 % | 79,3 % | 87,0 % | 3,6 % | 0,8 % | 10 000+ |
| maďarština * | 1 732 | 71,7 % | 78,1 % | 84,5 % | 0,4 % | 0,0 % | 10 000+ |
| ruština * | 1 305 | 70,0 % | 77,8 % | 86,5 % | 2,9 % | 0,1 % | 10 000+ |
| ukrajinština * | 1 056 | 65,4 % | 73,4 % | 83,7 % | 0,8 % | 0,0 % | 10 000+ |
Sloupce 1 000, 2 000 a 5 000: mediánový podíl slov v klipu pokrytý prvními 1 000, 2 000 nebo 5 000 lemmaty. 95 %+ a 98 %+: podíl klipů, ve kterých člověk se znalostí prvních 5 000 lemmat zná aspoň 95 % nebo 98 % slov. 95 % při: velikost slovní zásoby, při které mediánový klip překročí 95 % (10 000+ znamená, že do 10 000 ne). * Spodní hranice: 9 % nebo víc slov v typickém klipu se nepodařilo přiřadit k seznamu, takže skutečné pokrytí je vyšší. † Turecký seznam má jen 9 088 lemmat: typický turecký klip nedosáhne 95 % ani s celým seznamem.
Zdroje
- 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 (volně dostupný plný text)
- 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. Záznam
- 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, volné PDF
- Speer, R. (2022). wordfreq v3.0 [data a software]. Zenodo. doi.org/10.5281/zenodo.7199437. Tato studie použila verzi 3.1.1 z 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
Začni sledovat
Vyber si jazyk a spusť feed. Skutečná řeč rodilých mluvčích, ohodnocená podle toho, jak těžko se sleduje. Bez kvízu, bez registrace.
Vyber si jazykDalší čtení
Srozumitelný vstup pro začátečníky
Srozumitelný vstup funguje až ve chvíli, kdy dokážeš sledovat, o čem se mluví. Christian Lauer radí, jak se do toho bodu dostat rychle a jak poznáš, že už tam jsi.
Jak přestat překládat v hlavě: proč porozumění předchází mluvení
Překládat v hlavě přestaneš tak, že mozku dodáš tolik srozumitelné řeči, až překlad prostě nebude potřebovat. Není to trik ani otázka vůle, ale objem: hodiny poslechu skutečné řeči, které z větší části rozumíš, dokud si mozek nepostaví přímou cestu od zvuku k významu.
Proč srozumitelný vstup funguje u čínštiny
Srozumitelný vstup funguje u čínštiny proto, že její největší překážky, tóny, znaková gramotnost a velká propast mezi mluveným a psaným jazykem, se učíš uchem dřív než podle pravidel. Gramatická cvičení a kartičky tě naučí poznat čínštinu izolovaně. Srozumitelný vstup tě naučí poznat ji tak, jak ji rodilí mluvčí opravdu používají: přirozeným tempem, v kontextu a se zachovanými tóny i rytmem.