Berapa banyak kata yang kamu butuhkan untuk memahami video penutur asli?
Dengan 5.000 kata bahasa Inggris paling sering dipakai, klip penutur asli yang khas berisi 95,6% kata yang kamu tahu. Bahasa Spanyol butuh sekitar 6.800 kata untuk mencapai 95%, dan di 13 dari 23 bahasa, 10.000 kata pun belum cukup. Data dari 35.615 klip penutur asli, per bahasa dan per level.
Chief Language Geek @ Reelang
Kalau kamu tahu 5.000 kata bahasa Inggris yang paling sering dipakai, klip video penutur asli bahasa Inggris yang khas berisi 95,6% kata yang kamu tahu, dan 58,4% klip mencapai 95%, yaitu tingkat yang menurut penelitian menyimak membuat pembelajar paham dengan baik. Bahasa Spanyol butuh sekitar 6.800 kata agar klip yang khas mencapai 95%, dan di 13 dari 23 bahasa yang saya ukur, 10.000 kata belum cukup.
Angka-angka ini berasal dari 35.615 klip penutur asli dalam 23 bahasa dari katalog Reelang, dihitung kata demi kata terhadap daftar frekuensi tiap bahasa. Pilih bahasa dan jumlah kosakata di bawah ini untuk melihat hasilnya.
Seribu kata pertama mengerjakan sebagian besar tugas
Frekuensi kata itu timpang. Beberapa ratus kata (the, and, is, you, que, de) menyusun bagian besar dari semua yang diucapkan orang, dan setiap kata di urutan lebih bawah muncul makin jarang. Pola ini dikenal sebagai hukum Zipf, dan berlaku di semua bahasa di sini.
Dari 18 bahasa yang bisa saya peringkatkan tanpa catatan khusus, klip yang khas tercakup 80,7% oleh 1.000 kata teratas, 86,7% oleh 2.000 kata teratas, dan 92,4% oleh 5.000 kata teratas. Seribu kata pertama membawamu ke empat dari lima kata yang dikenal. Empat ribu berikutnya menambah sekitar dua belas poin.
Ambang yang penting untuk menyimak ada di poin-poin terakhir itu. Dua ambang sering muncul dalam penelitian soal berapa kata yang kamu butuhkan:
- 95%, satu kata asing dari 20. Batia Laufer mengusulkannya untuk membaca pada 1989. Untuk menyimak, van Zeeland dan Schmitt (2013) menemukan bahwa sebagian besar penyimak sudah bisa bertahan di 90%, dan di 95% penyimak bahasa kedua paham dengan baik serta variasi antarmereka jauh lebih kecil.
- 98%, satu kata asing dari 50. Hu dan Nation (2000) menemukan bahwa pembelajar yang membaca fiksi sendiri butuh kira-kira sebanyak itu untuk pemahaman yang memadai.
Pada 150 kata per menit, kecepatan bicara normal, 95% berarti sekitar tujuh kata asing setiap menit (Nation, 2006). 98% berarti tiga. Kamu bisa merasakan bedanya di demo di bawah. Demo ini memakai kalimat asli dari klip dalam studi dan mengosongkan setiap kata yang tidak ada di daftar kata teratas yang kamu pilih.
Dengan 2.000 kata, kalimat soal bakso itu 58,3% dikenal: albóndigas, parmesano, rallado dan orégano sama sekali tidak ada di daftar, dan perejil (peterseli) ada di peringkat 13.520. Kalimat tentang kucing 96,2% dikenal pada 2.000 kata yang sama. Kedua klip berbahasa Spanyol dan sama-sama berlabel A2.
Bahasa Inggris dan Spanyol, dalam angka
Inggris. Klip yang khas mencapai 90% pada 2.021 kata, 95% pada 4.462 kata dan 98% pada 9.403 kata. Dengan 3.000 kata, 24,9% klip bahasa Inggris berada di 95% atau lebih. Dengan 5.000 kata, 58,4% mencapainya, dan 15,2% ada di 98% atau lebih.
Spanyol. Klip yang khas mencapai 90% pada 2.754 kata dan 95% pada 6.781 kata. Klip itu tidak mencapai 98% dalam batas 10.000 kata. Dengan 3.000 kata, 10,8% klip bahasa Spanyol berada di 95% atau lebih. Dengan 5.000 kata, 32,0% mencapainya.
Jadi untuk bahasa Spanyol, pembelajar dengan 3.000 kata bisa menemukan sekitar satu dari sepuluh klip yang 95% katanya sudah akrab. Itu kumpulan bahan belajar yang nyata, karena kata yang belum kamu tahu muncul dikelilingi kata yang kamu tahu. Klip dari Kolombia ini salah satunya: 88,4% katanya ada di 1.000 teratas dan 96,3% di 2.000 teratas.
Tahu katanya tidak sama dengan menangkapnya. Penutur di klip itu bicara pada median 243 kata per menit, jauh lebih cepat daripada rekaman buku pelajaran. Cakupan kosakata memberi tahu apakah kamu bisa memahami transkripnya. Itu tidak memberi tahu apakah kamu bisa mengikuti kecepatannya.
Bahasa yang landai dan bahasa yang curam
Bentuk kurvanya tidak sama semua. Dalam bahasa Denmark, Swedia dan Belanda, 1.000 kata teratas sudah mencakup 84,4% sampai 86,5% dari klip yang khas, dan naik dari 1.000 ke 5.000 kata hanya menambah 8,3 sampai 9,3 poin. Bahasa Inggris, Prancis, Spanyol, Portugis dan Italia menambah 11,5 sampai 12,6 poin pada rentang yang sama. Kurva paling curam adalah bahasa Indonesia (+20,8), Ukraina (+18,3), Arab (+18,1), Rusia (+16,5), Finlandia (+15,3), Turki (+15,2) dan Polandia (+14,3).
Kurva yang curam berarti seribu kata pertama meninggalkan lebih banyak bagian klip yang tidak dikenal, dan setiap seribu kata berikutnya lebih berharga. Sebagian karena bahasanya sendiri. Sebagian lagi karena cara kata dihitung, dan itu perlu dijelaskan sebelum kamu membandingkan dua bahasa.
Daftar di sini sudah dilematisasi: dije, dijo dan decir semuanya dihitung sebagai satu kata, decir. Itu adil bagi bahasa Spanyol yang punya banyak bentuk kata kerja. Tapi pelematisasi hanya bekerja kalau ia mengenali bentuknya. Dalam bahasa Ceko, Finlandia, Hungaria, Rusia dan Ukraina, 9,0% sampai 10,8% kata berjalan dalam klip yang khas adalah bentuk yang tidak bisa dicocokkan ke lema mana pun. Banyak di antaranya kata biasa dengan akhiran kasus yang tidak terlepas oleh alat itu. Di sini mereka dihitung tidak dikenal, jadi untuk lima bahasa itu angkanya adalah batas bawah: cakupan sebenarnya lebih tinggi. Mereka ditandai tanda bintang pada tabel di bawah.
Kata majemuk merugikan bahasa Jerman, Belanda dan bahasa-bahasa Nordik dengan cara serupa. Kata majemuk Jerman seperti Küchenschrank (lemari dapur) dihitung tidak dikenal kecuali seluruh gabungannya ada di daftar, walaupun kamu tahu kedua bagiannya.
Label level hampir tidak mengubah kosakata
Setiap klip di katalog punya level CEFR, ditentukan oleh model yang membaca transkrip. Di sini semuanya dikelompokkan jadi lima pita, dari A1 (A0 dihitung A1) sampai C1 (C2 dihitung C1). Kalau label itu mengikuti kosakata, level lebih tinggi seharusnya butuh lebih banyak kata. Untuk 2.000 kata pertama, hampir tidak. Dengan mengambil median antarbahasa (A1 punya cukup klip di 11 bahasa, C1 di 20), 2.000 kata teratas mencakup 84,0% klip A1, 84,0% di A2, 85,2% di B1, 86,1% di B2 dan 84,1% di C1.
Level baru terlihat di ujung atas rentang. Dengan 5.000 kata, kamu akan tahu 95% kata dalam 30,2% klip A1, 20,6% klip A2, 22,6% klip B1, 15,5% klip B2 dan 4,5% klip C1. Panjang klip jadi salah satu sebabnya: median klip C1 dalam sampel punya 338 kata berjalan, median klip A1 hanya 81. Klip pendek punya lebih sedikit kesempatan memakai kata langka.
Klip dengan cakupan paling rendah kebanyakan soal makanan. Dari 25 klip bahasa Inggris dengan cakupan terendah pada 2.000 kata, sekitar dua pertiga adalah resep, ulasan makanan atau cicip camilan, dan 21 berlabel A1 atau A2. Dalam bahasa Spanyol, 11 dari 25 terendah soal makanan, dan tiga adalah lagu anak. Tata bahasa dalam resep itu sederhana ("masukkan bawang putih, aduk, selesai"), itulah sebabnya labelnya rendah. Kata bendanya tidak sederhana. Di daftar bahasa Inggris, garlic ada di kata ke-6.395 dan tablespoon ke-11.551. Dalam bahasa Spanyol, ajo ada di 6.605 dan sartén (wajan) di 11.125.
Berikut dua klip bahasa Inggris. Yang pertama trailer film berlabel B2: 96,9% katanya ada di 2.000 teratas, dan melewati 95% pada 1.300 kata. Yang kedua resep slow cooker berlabel A2: 72,3% katanya ada di 2.000 teratas, dan baru melewati 95% pada 11.551 kata, yaitu peringkat tablespoon.
Trailer itu juga tidak mudah, tapi karena alasan lain: penuturnya bicara pada median 215 kata per menit. Label level mencampur kecepatan, tata bahasa dan kosakata jadi satu huruf, dan bagian kosakatalah yang hilang. Kalau kamu tahu antara 2.000 dan 5.000 kata, perhatikan topik klip, bukan hanya levelnya: makanan, memasak dan obrolan produk memakai banyak kata dari urutan jauh di bawah.
Ragam bahasa juga berbeda
Bahasa Arab diukur dengan daftar frekuensi terpisah untuk tiap dialek. Bahasa lain memakai satu daftar untuk semua ragamnya. Dengan 2.000 kata, klip Arab Mesir yang khas tercakup 86,1%, Irak 79,6% dan Maroko 72,5%. Untuk Maroko, 9,5% kata dalam klip yang khas sama sekali tidak ada di daftarnya, jadi sebagian jurang itu berasal dari daftar. Dalam bahasa Prancis, klip Québec mencapai 90,6% dibanding 87,6% untuk klip dari Prancis. Portugis Brasil ada di 87,4%, Portugis Eropa di 80,3%, tapi hanya 61 klip Portugis Eropa yang lolos saringan dan mereka dinilai dengan daftar berbeda, jadi perlakukan angka itu dengan hati-hati.
Bagaimana ini dibandingkan dengan perkiraan Nation
Angka paling terkenal untuk bahasa Inggris lisan datang dari makalah Paul Nation tahun 2006, "How large a vocabulary is needed for reading and listening?". Dengan korpus bahasa Inggris lisan Selandia Baru, ia menemukan bahwa 3.000 keluarga kata ditambah nama diri memberi cakupan di atas 95%, dan 6.000 sampai 7.000 keluarga kata dibutuhkan untuk 98%. Webb dan Rodgers (2009) mendapat angka serupa untuk naskah film: 3.000 keluarga ditambah nama diri dan kata pinggiran untuk 95,76%, dan 6.000 keluarga ditambah tambahan yang sama untuk 98,15%.
Angka saya untuk bahasa Inggris lebih tinggi: 4.462 kata agar klip yang khas mencapai 95%, 9.403 untuk 98%. Kalau semua klip bahasa Inggris digabung jadi satu teks panjang, 5.000 kata mencakup 95,1%. Ada tiga alasan angkanya berbeda, dan tidak satu pun berarti ada studi yang salah:
- Keluarga kata lebih besar daripada lema. Sebuah keluarga kata menggabungkan happy, unhappy, happiness dan happily jadi satu unit. Daftar lema menghitungnya empat. Jadi 3.000 keluarga setara dengan jumlah lema yang lebih besar.
- Daftarnya dibangun sebagian besar dari teks tertulis. Kata lisan sehari-hari berada lebih rendah daripada dugaanmu: alright ada di kata ke-3.102, kinda 2.333 dan bye 3.273.
- Video pendek bertahan di satu topik. Resep dua menit menghabiskan sebagian besar katanya pada kosakata satu topik, sementara percakapan panjang berpindah-pindah dan lebih sering memakai kata umum.
Apa artinya kalau kamu sedang belajar bahasa
2.000 atau 3.000 kata pertama layak dipelajari secara sengaja, dengan dek atau kursus yang diurutkan berdasarkan frekuensi. Sampai titik itu, sebagian nyata klip penutur asli sudah terjangkau pada 95%, dan dari sana kamu bisa menyerap banyak kata baru dari konteks, bukan dari daftar. Panduan untuk pemula dari Christian Lauer membahas cara cepat sampai ke titik itu.
Setelah itu, pilih klip berdasarkan topik, bukan hanya level. Pembelajar dengan 3.000 kata bahasa Spanyol bisa mengikuti sketsa kucing di atas tapi tetap tersesat di resep bakso, walaupun keduanya berlabel A2. Dan untuk bahasa Ceko, Finlandia, Hungaria, Rusia dan Ukraina, angka di sini akan terasa lebih berat daripada kenyataannya: banyak yang dihitung tidak dikenal sebenarnya kata yang kamu tahu dengan akhiran yang belum kamu temui.
Kalau kamu ingin berlatih dengan klip seperti di atas, halaman Spanyol, Inggris dan Jerman memuat klip penutur asli menurut level, dengan subtitel kata demi kata yang sama seperti klip di halaman ini. Lebih lanjut soal mengapa pemahaman datang sebelum berbicara: cara berhenti menerjemahkan di kepala.
Bagaimana saya mengukurnya
Klipnya. Semua klip ada di katalog Reelang pada 29 September 2026 dan sedang dirotasi: tampil publik, berisi ucapan, konten penutur asli (bukan pelajaran bahasa), tidak disulihsuarakan dan dalam satu bahasa. Untuk tiap bahasa saya mengambil sampel sampai 500 klip per level CEFR dan memberi bobot tiap level sesuai porsinya di katalog, sehingga angkanya menggambarkan katalog secara keseluruhan. Klip dengan kurang dari 50 kata, klip yang satu baris takarirnya berulang (lebih dari 30% baris), klip lebih cepat dari 330 kata per menit durasi, dan klip yang lebih dari 35% katanya tidak ada di daftar bahasanya (biasanya transkrip dalam bahasa yang salah) dibuang. Setelah itu tersisa 35.615 klip dalam 23 bahasa berperingkat, dengan 13,8 juta kata berjalan. Median klip berdurasi 81 detik. 35.600 di antaranya dari YouTube, 8 dari TikTok dan 7 dari Instagram.
Katanya. Tiap transkrip dipecah jadi kata berdasarkan spasi dan tanda baca, dijadikan huruf kecil, dan angka dibuang. Tiap kata dicari di daftar frekuensi bahasanya, dibangun dari wordfreq 3.1.1 (Speer, 2022): 25.000 bentuk kata paling sering, dikelompokkan per lema dengan simplemma (alat lain untuk bahasa Arab, Ibrani dan bahasa-bahasa Asia) lalu diperingkat berdasarkan total frekuensi tiap lema. Bentuk yang tidak ada di daftar dilematisasi dengan simplemma sebagai cadangan. Nama diri (berhuruf kapital, bukan di awal kalimat, tidak ada di daftar) dan kata pinggiran seperti uh, mhm dan haha dihitung dikenal, seperti pada Nation (2006) serta Webb dan Rodgers (2009). Bahasa Jerman mengapitalkan semua kata benda, dan bahasa Hindi serta Arab tidak punya huruf kapital, jadi bahasa-bahasa itu tidak mendapat kredit nama diri. Dalam bahasa Inggris, paruh kontraksi dihitung sebagai kata utuh (didn't dihitung did dan not).
Angkanya. Cakupan adalah porsi kata berjalan dalam sebuah klip yang lemanya ada di antara N teratas. Persentase di atas adalah median antarklip. Untuk angka "klip pada 95%", ambang tiap klip dihitung dari peringkat katanya sendiri, jadi tidak ada interpolasi. Angka "klip khas mencapai 95% pada" adalah ukuran kosakata terkecil saat klip median melewati 95%.
Tidak diperingkat. Awalan Ibrani (ve-, ha-, be-, le-) tidak dipisah, jadi kata yang dikenal terhitung tidak dikenal. Transkrip Tamil memakai Tamil lisan sedangkan daftarnya Tamil tulis. Bahasa Jepang, Mandarin dan Korea dihitung hanya pada kata isi, dan Vietnam pada suku kata, jadi angkanya tidak bisa dibandingkan dengan yang lain. Sebuah bahasa perlu setidaknya 300 klip untuk diperingkat. Bahasa Norwegia punya 449; semua bahasa berperingkat lain punya lebih dari 1.000. Daftar bahasa Turki hanya punya 9.088 lema, jadi untuk Turki grafiknya berhenti di 8.000 kata, dan "10.000+" berarti klip yang khas tidak mencapai 95% bahkan dengan seluruh daftar.
Bias yang diketahui. Angka ini menggambarkan transkrip, bukan audio, jadi kesalahan pengenalan suara ikut terhitung sebagai kata. Menguasai N kata teratas dengan sempurna adalah kasus ideal, dan idiom tidak dihitung sebagai satu unit. Level CEFR adalah penilaian model atas transkrip. Dan katalognya dipilih untuk pembelajar: condong ke klip dengan ucapan jelas dan daya tarik luas, jadi ini bukan sampel acak dari semua yang ada di YouTube atau TikTok.
Gunakan data ini
Kamu boleh memakai ulang grafik dan angka di halaman ini untuk tulisan, pengajaran atau penelitianmu. Mohon tautkan halaman ini sebagai sumber.
| Bahasa | Klip | 1.000 | 2.000 | 5.000 | 95%+ | 98%+ | 95% pada |
|---|---|---|---|---|---|---|---|
| Denmark | 1.122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5.292 |
| Inggris | 2.002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4.462 |
| Swedia | 1.325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6.768 |
| Belanda | 1.841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7.109 |
| Prancis | 1.961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5.804 |
| Norwegia | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9.478 |
| Spanyol | 2.195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6.781 |
| Portugis | 1.865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6.121 |
| Rumania | 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+ |
| Italia | 1.880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9.269 |
| Turki | 1.322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10.000+ † |
| Jerman | 1.933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10.000+ |
| Yunani | 1.796 | 78,0% | 83,5% | 89,0% | 6,7% | 1,0% | 10.000+ |
| Hindi | 1.417 | 77,2% | 82,4% | 88,3% | 6,6% | 1,2% | 10.000+ |
| Arab | 1.916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10.000+ |
| Polandia | 1.503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10.000+ |
| Indonesia | 1.582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10.000+ |
| Ceko * | 1.239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10.000+ |
| Finlandia * | 1.565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10.000+ |
| Hungaria * | 1.732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10.000+ |
| Rusia * | 1.305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10.000+ |
| Ukraina * | 1.056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10.000+ |
Kolom 1.000, 2.000 dan 5.000: median porsi kata berjalan dalam sebuah klip yang tercakup oleh 1.000, 2.000 atau 5.000 lema teratas. 95%+ dan 98%+: porsi klip yang di dalamnya pembelajar yang tahu 5.000 lema teratas mengenal setidaknya 95% atau 98% katanya. 95% pada: ukuran kosakata saat klip median melewati 95% (10.000+ berarti tidak tercapai dalam 10.000). * Batas bawah: 9% atau lebih kata dalam klip yang khas tidak bisa dicocokkan ke daftar, jadi cakupan sebenarnya lebih tinggi. † Daftar bahasa Turki hanya punya 9.088 lema: klip Turki yang khas tidak mencapai 95% bahkan dengan seluruh daftar.
Sumber
- 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 (teks lengkap gratis)
- 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. Rekaman
- 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, PDF gratis
- Speer, R. (2022). wordfreq v3.0 [data dan perangkat lunak]. Zenodo. doi.org/10.5281/zenodo.7199437. Studi ini memakai rilis 3.1.1 dari 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
Mulai menonton
Pilih bahasa dan mulai feed. Ucapan asli penutur asli, dinilai dari seberapa sulit diikuti. Tanpa kuis, tanpa daftar.
Pilih bahasaBaca selanjutnya
Comprehensible input untuk pemula
Comprehensible input baru bekerja kalau kamu sudah bisa mengikuti isi pembicaraan. Christian Lauer menjelaskan cara sampai ke titik itu dengan cepat, dan cara tahu kamu sudah sampai.
Berhenti menerjemahkan di kepala: mengapa memahami datang sebelum berbicara
Kamu berhenti menerjemahkan di kepala saat otakmu menerima begitu banyak ucapan yang bisa dipahami sampai ia tidak butuh menerjemahkan lagi. Terjemahan adalah jalan pintas yang dibuat otak ketika pengalaman langsung dengan sebuah bahasa masih kurang. Obatnya bukan trik atau disiplin mental, melainkan volume: berjam-jam mendengar ucapan nyata yang sebagian besar kamu pahami, sampai otakmu membangun jalur langsung dari bunyi ke makna, tanpa mampir ke bahasa pertamamu.
Kenapa comprehensible input cocok untuk pelajar bahasa Mandarin
Comprehensible input cocok untuk Mandarin karena hambatan terbesarnya, yaitu nada, aksara, dan jurang antara bahasa lisan dan tulisan, semuanya dipelajari lewat telinga sebelum lewat aturan. Latihan tata bahasa dan kartu hafalan mengajarkan kamu mengenali Mandarin secara terpisah. Comprehensible input mengajarkan kamu mengenalinya seperti yang benar-benar diucapkan penutur asli: dengan kecepatan alami, dalam konteks, dengan pola nada dan irama yang utuh. Perbedaan itulah inti artikel ini.