영어에서 가장 자주 쓰이는 5,000단어를 안다면, 보통의 영어 원어민 영상 클립은 95.6%가 아는 단어다. 그리고 전체 클립의 58.4%가 95%에 도달한다. 청취 연구에서 학습자가 잘 이해한다고 보는 수준이 바로 이 95%다. 스페인어는 보통의 클립이 95%에 닿으려면 약 6,800단어가 필요하고, 내가 측정한 23개 언어 중 13개는 10,000단어로도 부족하다.
이 숫자들은 Reelang 카탈로그에 있는 23개 언어, 35,615개의 원어민 클립에서 나왔다. 각 언어의 빈도 목록과 대조해 단어 하나하나를 세었다. 아래에서 언어와 어휘량을 골라 결과를 확인해 보자.
첫 1,000단어가 대부분의 일을 한다
단어 빈도는 한쪽으로 크게 치우쳐 있다. 수백 개의 단어(the, and, is, you, que, de)가 우리가 말하는 것의 상당 부분을 차지하고, 목록 아래로 갈수록 등장 횟수는 줄어든다. 이 패턴은 지프의 법칙이라고 불리며, 여기 나온 모든 언어에서 똑같이 나타난다.
단서 없이 순위를 매길 수 있는 18개 언어를 보면, 보통의 클립은 상위 1,000단어로 80.7%, 상위 2,000단어로 86.7%, 상위 5,000단어로 92.4%가 채워진다. 첫 1,000단어만으로 다섯 단어 중 네 개를 알게 된다. 그다음 4,000단어는 약 12포인트를 더한다.
청취에서 중요한 기준선은 그 마지막 몇 포인트 안에 있다. 필요한 어휘량 연구에서 계속 등장하는 두 가지 기준이다.
- 95%, 스무 단어 중 모르는 단어 하나. Batia Laufer가 1989년에 읽기에 대해 제안했다. 청취에 대해서는 van Zeeland와 Schmitt(2013)가 대부분의 청자가 90%에서 이미 따라간다는 점, 그리고 95%에서는 제2언어 청자들이 개인차 없이 잘 이해한다는 점을 밝혔다.
- 98%, 쉰 단어 중 모르는 단어 하나. Hu와 Nation(2000)은 혼자 소설을 읽는 학습자가 충분히 이해하려면 이 정도가 필요하다고 보았다.
보통의 말하기 속도인 분당 150단어에서 95%는 1분에 모르는 단어가 약 일곱 개라는 뜻이다(Nation, 2006). 98%면 세 개다. 아래 데모에서 그 차이를 느껴 볼 수 있다. 연구에 쓰인 클립의 실제 문장을 가져와, 네가 고른 상위 단어에 없는 단어를 모두 빈칸으로 만든다.
2,000단어에서 미트볼 문장은 58.3%만 아는 단어다. albóndigas, parmesano, rallado, orégano는 목록에 아예 없고, perejil(파슬리)은 13,520위에 있다. 고양이에 대한 문장은 같은 2,000단어에서 96.2%가 아는 단어다. 둘 다 스페인어이고 둘 다 A2로 분류되어 있다.
영어와 스페인어, 숫자로 보기
영어. 보통의 클립은 2,021단어에서 90%, 4,462단어에서 95%, 9,403단어에서 98%에 도달한다. 3,000단어면 영어 클립의 24.9%가 95% 이상이다. 5,000단어면 58.4%가 95% 이상이고, 15.2%가 98% 이상이다.
스페인어. 보통의 클립은 2,754단어에서 90%, 6,781단어에서 95%에 도달한다. 98%는 10,000단어 안에서 도달하지 못한다. 3,000단어면 스페인어 클립의 10.8%가 95% 이상이다. 5,000단어면 32.0%다.
그러니까 스페인어에서 3,000단어를 아는 학습자는 단어의 95%가 익숙한 클립을 열에 하나쯤 찾을 수 있다. 이건 충분히 쓸 만한 학습 풀이다. 아직 모르는 단어가 아는 단어들에 둘러싸여 나오기 때문이다. 이 콜롬비아 클립이 그런 예다. 단어의 88.4%가 상위 1,000단어, 96.3%가 상위 2,000단어 안에 있다.
단어를 아는 것과 그 단어를 알아듣는 것은 다르다. 그 클립의 화자들은 중앙값 기준 분당 243단어로 말한다. 교재 녹음보다 훨씬 빠르다. 어휘 커버리지는 네가 대본을 이해할 수 있는지를 알려 준다. 속도를 따라갈 수 있는지는 알려 주지 않는다.
완만한 언어와 가파른 언어
곡선의 모양이 다 같지는 않다. 덴마크어, 스웨덴어, 네덜란드어에서는 상위 1,000단어가 이미 보통 클립의 84.4%에서 86.5%를 덮고, 1,000단어에서 5,000단어로 늘려도 8.39.3포인트만 더해진다. 영어, 프랑스어, 스페인어, 포르투갈어, 이탈리아어는 같은 구간에서 11.512.6포인트가 늘어난다. 가장 가파른 곡선은 인도네시아어(+20.8), 우크라이나어(+18.3), 아랍어(+18.1), 러시아어(+16.5), 핀란드어(+15.3), 터키어(+15.2), 폴란드어(+14.3)다.
곡선이 가파르다는 건 첫 1,000단어로도 클립에 모르는 부분이 많이 남고, 그 뒤 1,000단어씩이 더 큰 값어치를 한다는 뜻이다. 일부는 언어 자체의 특성이다. 일부는 단어를 세는 방식 때문인데, 두 언어를 비교하기 전에 이 점을 짚어야 한다.
여기 쓰인 목록은 표제어(lemma) 기준이다. dije, dijo, decir는 모두 decir 하나로 센다. 동사 형태가 많은 스페인어에는 공정한 방식이다. 하지만 표제어 추출기는 그 형태를 알아볼 때만 작동한다. 체코어, 핀란드어, 헝가리어, 러시아어, 우크라이나어에서는 보통 클립에 나오는 단어의 9.0~10.8%가 어떤 표제어와도 연결되지 않았다. 그중 상당수는 도구가 떼어내지 못한 격 어미가 붙은 평범한 단어다. 여기서는 모르는 단어로 계산되므로, 이 다섯 언어의 숫자는 최저선이다. 실제 커버리지는 더 높다. 아래 표에서는 별표로 표시했다.
합성어는 독일어, 네덜란드어, 북유럽 언어들에 비슷한 방식으로 불리하게 작용한다. Küchenschrank(부엌 찬장) 같은 독일어 합성어는 두 부분을 다 알아도 합성어 전체가 목록에 없으면 모르는 단어로 계산된다.
레벨 표시는 어휘를 거의 바꾸지 않는다
카탈로그의 모든 클립에는 대본을 읽은 모델이 매긴 CEFR 레벨이 있다. 여기서는 A1(A0은 A1에 포함)부터 C1(C2는 C1에 포함)까지 다섯 구간으로 묶었다. 레벨이 어휘를 반영한다면 높은 레벨일수록 더 많은 단어가 필요해야 한다. 첫 2,000단어 구간에서는 거의 그렇지 않다. 언어별 중앙값으로 보면(A1은 11개 언어, C1은 20개 언어에 충분한 클립이 있다) 상위 2,000단어는 A1 클립의 84.0%, A2의 84.0%, B1의 85.2%, B2의 86.1%, C1의 84.1%를 덮는다.
레벨 차이는 범위의 위쪽에서 드러난다. 5,000단어를 알면 A1 클립의 30.2%, A2의 20.6%, B1의 22.6%, B2의 15.5%, C1의 4.5%에서 단어의 95%를 알게 된다. 길이도 한 가지 이유다. 표본에서 C1 클립의 중앙값은 338단어, A1 클립은 81단어다. 짧은 클립은 드문 단어를 쓸 기회가 적다.
커버리지가 가장 낮은 클립은 대부분 음식 이야기다. 2,000단어 기준으로 커버리지가 가장 낮은 영어 클립 25개 중 약 3분의 2가 레시피, 음식 리뷰, 간식 시식이고, 21개는 A1 또는 A2로 표시되어 있다. 스페인어에서는 하위 25개 중 11개가 음식이고, 세 개는 동요다. 레시피의 문법은 단순하다("마늘을 넣고, 젓고, 끝"). 그래서 낮은 레벨을 받는다. 명사는 그렇지 않다. 영어 목록에서 garlic은 6,395위, tablespoon은 11,551위다. 스페인어에서 ajo는 6,605위, sartén(프라이팬)은 11,125위다.
영어 클립 두 개를 보자. 첫 번째는 B2로 표시된 영화 예고편이다. 단어의 96.9%가 상위 2,000단어 안에 있고, 1,300단어에서 95%를 넘는다. 두 번째는 A2로 표시된 슬로우쿠커 레시피다. 단어의 72.3%가 상위 2,000단어 안에 있고, tablespoon의 순위인 11,551단어에서야 95%를 넘는다.
예고편도 쉽지는 않은데, 이유가 다르다. 화자들이 중앙값 기준 분당 215단어로 말한다. 레벨 표시는 속도, 문법, 어휘를 한 글자에 섞어 넣고, 그 과정에서 사라지는 게 어휘 부분이다. 2,000~5,000단어를 안다면 클립의 레벨만 보지 말고 주제도 보자. 음식, 요리, 제품 이야기는 목록 한참 아래의 단어를 많이 쓴다.
변종도 다르다
아랍어는 방언마다 따로 만든 빈도 목록으로 측정했다. 다른 언어들은 모든 변종에 목록 하나를 쓴다. 2,000단어 기준으로 보통의 이집트 아랍어 클립은 86.1%, 이라크는 79.6%, 모로코는 72.5%가 채워진다. 모로코 방언은 보통 클립의 단어 중 9.5%가 목록에 아예 없어서, 그 격차의 일부는 목록 탓이다. 프랑스어에서는 퀘벡 클립이 90.6%, 프랑스 클립이 87.6%다. 브라질 포르투갈어는 87.4%, 유럽 포르투갈어는 80.3%이지만, 유럽 포르투갈어는 필터를 통과한 클립이 61개뿐이고 다른 목록으로 채점되었으니 참고만 하자.
Nation의 추정치와 비교하면
구어 영어에서 가장 잘 알려진 수치는 Paul Nation의 2006년 논문 "How large a vocabulary is needed for reading and listening?"에서 나왔다. 그는 뉴질랜드 구어 영어 코퍼스를 써서 3,000개의 단어족에 고유명사를 더하면 커버리지가 95%를 넘고, 98%에는 6,000~7,000 단어족이 필요하다는 결과를 얻었다. Webb과 Rodgers(2009)는 영화 대본에서 비슷한 숫자를 얻었다. 3,000 단어족에 고유명사와 주변적 단어를 더해 95.76%, 6,000 단어족에 같은 항목을 더해 98.15%였다.
내 영어 숫자는 더 높다. 보통의 클립이 95%에 닿으려면 4,462단어, 98%에는 9,403단어다. 영어 클립 전체를 하나의 긴 텍스트로 보면 5,000단어가 95.1%를 덮는다. 숫자가 다른 이유는 세 가지이고, 어느 쪽도 연구가 틀렸다는 뜻은 아니다.
- 단어족은 표제어보다 크다. 단어족은 happy, unhappy, happiness, happily를 한 단위로 묶는다. 표제어 목록은 넷으로 센다. 그래서 3,000 단어족은 그보다 많은 표제어에 해당한다.
- 이 목록은 대부분 문어 텍스트로 만들어졌다. 일상 구어 단어들이 예상보다 아래쪽에 있다. alright는 3,102위, kinda는 2,333위, bye는 3,273위다.
- 짧은 영상은 한 주제에 머문다. 2분짜리 레시피는 단어 대부분을 한 주제의 어휘에 쓰지만, 긴 대화는 여기저기 옮겨 다니며 일반적인 단어를 더 많이 재사용한다.
언어를 배우는 사람에게 주는 의미
첫 2,000~3,000단어는 작정하고 외울 가치가 있다. 빈도순으로 정렬된 덱이나 강의를 쓰자. 그 지점에 이르면 원어민 클립 중 꽤 많은 수가 95% 범위 안에 들어오고, 거기서부터는 목록 대신 맥락에서 새 단어를 많이 주워 담을 수 있다. Christian Lauer의 초보자를 위한 가이드는 그 지점까지 빠르게 가는 법을 다룬다.
그다음부터는 레벨만이 아니라 주제로 클립을 고르자. 스페인어 3,000단어를 아는 학습자는 위의 고양이 스케치는 따라가면서도 미트볼 레시피에서는 길을 잃는다. 둘 다 A2인데도 그렇다. 그리고 체코어, 핀란드어, 헝가리어, 러시아어, 우크라이나어는 여기 숫자가 실제보다 어렵게 느껴질 거라고 보면 된다. 모르는 단어로 계산된 것 중 상당수는 아직 못 본 어미가 붙은, 네가 아는 단어다.
위와 같은 클립으로 연습하고 싶다면 스페인어, 영어, 독일어 페이지에 레벨별 원어민 클립이 정리되어 있다. 이 페이지의 클립과 같은 단어별 자막이 붙어 있다. 왜 이해가 말하기보다 먼저인지에 대해서는 머릿속에서 번역하는 습관을 멈추는 법을 보자.
어떻게 측정했나
클립. 모든 클립은 2026년 9월 29일 기준 Reelang 카탈로그에 있었고 순환 중이었다. 공개 노출, 말소리 포함, 원어민 콘텐츠(어학 강의 아님), 더빙 아님, 단일 언어라는 조건을 만족한다. 언어마다 CEFR 레벨별로 최대 500개를 표본으로 뽑고, 각 레벨을 카탈로그 내 비중으로 가중했다. 그래서 숫자는 카탈로그 전체를 설명한다. 단어 50개 미만인 클립, 자막 한 줄이 반복되는 클립(전체 줄의 30% 초과), 재생 시간 대비 분당 330단어보다 빠른 클립, 해당 언어 목록에 없는 단어가 35%를 넘는 클립(대개 잘못된 언어의 대본)은 제외했다. 그 결과 순위에 오른 23개 언어에서 35,615개 클립, 총 1,380만 단어가 남았다. 클립 길이의 중앙값은 81초다. 이 중 35,600개는 YouTube, 8개는 TikTok, 7개는 Instagram에서 왔다.
단어. 각 대본은 공백과 문장부호로 단어를 나누고, 소문자로 바꾸고, 숫자는 제거했다. 각 단어는 해당 언어의 빈도 목록에서 찾았다. 이 목록은 wordfreq 3.1.1(Speer, 2022)을 바탕으로 만들었다. 가장 빈도가 높은 단어 형태 25,000개를 simplemma(아랍어, 히브리어, 아시아 언어는 다른 도구)로 표제어별로 묶고, 표제어별 총빈도로 순위를 매겼다. 목록에 없는 형태는 simplemma로 표제어를 추출해 보완했다. 고유명사(대문자로 시작하되 문장 첫머리가 아니고 목록에 없는 단어)와 uh, mhm, haha 같은 주변적 단어는 아는 단어로 계산했다. Nation(2006)과 Webb·Rodgers(2009)의 방식과 같다. 독일어는 모든 명사를 대문자로 쓰고, 힌디어와 아랍어에는 대문자가 없으므로 이 언어들에는 고유명사 가산이 없다. 영어에서는 축약형의 각 부분을 온전한 단어로 셌다(didn't는 did와 not으로 센다).
숫자. 커버리지는 클립에 나온 단어 중 표제어가 상위 N에 속하는 비율이다. 위의 백분율은 클립 전체의 중앙값이다. "95%인 클립" 수치는 각 클립의 자체 단어 순위로 정확한 기준점을 계산했으므로 보간은 없다. "보통의 클립이 95%에 닿는 지점"은 중앙값 클립이 95%를 넘는 최소 어휘량이다.
순위에서 제외. 히브리어는 접두사(ve-, ha-, be-, le-)를 분리하지 않아 아는 단어가 모르는 단어로 계산된다. 타밀어 대본은 구어 타밀어인데 목록은 문어 타밀어다. 일본어, 중국어, 한국어는 내용어만 세고 베트남어는 음절 단위로 세므로 나머지와 비교할 수 없다. 순위에 오르려면 클립이 최소 300개 필요하다. 노르웨이어는 449개이고, 순위에 오른 나머지 언어는 모두 1,000개를 넘는다. 터키어 목록은 표제어가 9,088개뿐이라 차트가 8,000단어에서 끝나고, "10,000+"는 목록 전체로도 보통의 클립이 95%에 닿지 않는다는 뜻이다.
알려진 편향. 이 숫자들은 오디오가 아니라 대본을 설명한다. 그래서 음성 인식 오류도 단어로 계산된다. 상위 N단어를 완벽히 아는 건 이상적인 경우이고, 관용구는 한 단위로 세지 않았다. CEFR 레벨은 모델이 대본을 보고 내린 판단이다. 그리고 카탈로그는 학습자를 위해 골랐다. 발음이 또렷하고 폭넓게 통하는 클립 쪽으로 기울어 있으니, YouTube나 TikTok 전체의 무작위 표본은 아니다.
이 데이터를 써도 좋다
이 페이지의 차트와 숫자는 글, 수업, 연구에 자유롭게 써도 된다. 출처로 이 페이지를 링크해 주면 좋겠다.
| 언어 | 클립 수 | 1,000 | 2,000 | 5,000 | 95%+ | 98%+ | 95% 도달 |
|---|---|---|---|---|---|---|---|
| 덴마크어 | 1,122 | 86.5% | 91.1% | 94.8% | 47.0% | 8.4% | 5,292 |
| 영어 | 2,002 | 83.7% | 89.9% | 95.6% | 58.4% | 15.2% | 4,462 |
| 스웨덴어 | 1,325 | 85.6% | 89.8% | 94.0% | 37.6% | 5.6% | 6,768 |
| 네덜란드어 | 1,841 | 84.4% | 89.0% | 93.7% | 32.2% | 3.5% | 7,109 |
| 프랑스어 | 1,961 | 82.7% | 88.4% | 94.2% | 40.1% | 5.8% | 5,804 |
| 노르웨이어 | 449 | 83.5% | 88.1% | 93.0% | 25.0% | 3.8% | 9,478 |
| 스페인어 | 2,195 | 81.6% | 87.3% | 93.5% | 32.0% | 5.4% | 6,781 |
| 포르투갈어 | 1,865 | 81.4% | 87.2% | 94.0% | 38.4% | 7.3% | 6,121 |
| 루마니아어 | 1,602 | 81.4% | 87.0% | 92.5% | 25.3% | 5.8% | 9,586 |
| 에스페란토 | 1,007 | 80.0% | 86.3% | 92.3% | 28.6% | 4.5% | 10,000+ |
| 이탈리아어 | 1,880 | 79.7% | 85.6% | 91.9% | 21.2% | 2.7% | 9,269 |
| 터키어 | 1,322 | 77.1% | 85.6% | 92.3% | 25.4% | 5.5% | 10,000+ † |
| 독일어 | 1,933 | 80.0% | 84.8% | 90.3% | 11.3% | 1.1% | 10,000+ |
| 그리스어 | 1,796 | 78.0% | 83.5% | 89.0% | 6.7% | 1.0% | 10,000+ |
| 힌디어 | 1,417 | 77.2% | 82.4% | 88.3% | 6.6% | 1.2% | 10,000+ |
| 아랍어 | 1,916 | 73.1% | 82.2% | 91.2% | 17.8% | 2.7% | 10,000+ |
| 폴란드어 | 1,503 | 73.9% | 81.0% | 88.2% | 8.2% | 1.0% | 10,000+ |
| 인도네시아어 | 1,582 | 68.6% | 80.6% | 89.4% | 10.4% | 2.3% | 10,000+ |
| 체코어 * | 1,239 | 73.4% | 80.0% | 86.8% | 3.9% | 0.5% | 10,000+ |
| 핀란드어 * | 1,565 | 71.7% | 79.3% | 87.0% | 3.6% | 0.8% | 10,000+ |
| 헝가리어 * | 1,732 | 71.7% | 78.1% | 84.5% | 0.4% | 0.0% | 10,000+ |
| 러시아어 * | 1,305 | 70.0% | 77.8% | 86.5% | 2.9% | 0.1% | 10,000+ |
| 우크라이나어 * | 1,056 | 65.4% | 73.4% | 83.7% | 0.8% | 0.0% | 10,000+ |
1,000, 2,000, 5,000 열: 클립에 나온 단어 중 상위 1,000개, 2,000개, 5,000개 표제어가 덮는 비율의 중앙값. 95%+와 98%+: 상위 5,000개 표제어를 아는 학습자가 단어의 95% 또는 98% 이상을 아는 클립의 비율. 95% 도달: 중앙값 클립이 95%를 넘는 어휘량(10,000+는 10,000단어 안에서 도달하지 못한다는 뜻). * 하한값. 보통 클립의 단어 중 9% 이상이 목록과 연결되지 않아 실제 커버리지는 더 높다. † 터키어 목록은 표제어가 9,088개뿐이라, 보통의 터키어 클립은 목록 전체로도 95%에 닿지 않는다.
출처
- 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 (전문 무료)
- 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. 기록
- 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, 무료 PDF
- Speer, R. (2022). wordfreq v3.0 [데이터 및 소프트웨어]. Zenodo. doi.org/10.5281/zenodo.7199437. 이 연구는 github.com/rspeer/wordfreq의 3.1.1 릴리스를 사용했다.
- 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
다음 아티클
초보자를 위한 이해 가능한 입력
이해 가능한 입력은 말이 들리기 시작해야 효과가 납니다. 그 지점까지 빠르게 가는 법, 그리고 도착했는지 알아보는 법을 Christian Lauer가 알려줍니다.
머릿속 번역을 멈추는 법: 말하기보다 듣기 이해가 먼저인 이유
머릿속 번역은 뇌가 번역할 필요를 못 느낄 만큼 이해 가능한 말을 많이 들려줄 때 멈춘다. 번역은 언어 경험이 부족할 때 뇌가 만들어 낸 임시 우회로다. 해결책은 요령도 정신력도 아니고 양이다. 대부분 알아들을 수 있는 진짜 말을 수십 시간 듣다 보면, 모국어를 거치지 않고 소리에서 바로 의미로 가는 길이 생긴다.
중국어 학습자에게 이해 가능한 입력이 통하는 이유
중국어의 가장 큰 장벽인 성조, 한자 기반의 문해력, 그리고 말과 글 사이의 큰 간격은 모두 규칙보다 귀로 먼저 익히는 것들이다. 문법 연습과 플래시카드는 중국어를 따로 떼어 알아보게 해 주지만, 이해 가능한 입력은 원어민이 실제로 말하는 속도와 맥락, 성조와 리듬이 살아 있는 형태로 알아듣게 해 준다.