Hoeveel woorden heb je nodig om native video’s te begrijpen?
Met de 5.000 meest voorkomende Engelse woorden bestaat een doorsnee native clip voor 95,6% uit woorden die je kent. Spaans vraagt ongeveer 6.800 woorden voor 95%, en in 13 van de 23 talen zijn zelfs 10.000 woorden niet genoeg. Data uit 35.615 native clips, per taal en per niveau.
Chief Language Geek @ Reelang
Als je de 5.000 meest voorkomende Engelse woorden kent, bestaat een doorsnee Engelse native clip voor 95,6% uit woorden die je kent, en haalt 58,4% van de clips de 95%, het niveau waarop luisteronderzoek laat zien dat leerders goed begrijpen. Voor Spaans zijn ongeveer 6.800 woorden nodig om met een doorsnee clip op 95% te komen, en in 13 van de 23 talen die ik heb gemeten zijn 10.000 woorden niet genoeg.
Deze cijfers komen uit 35.615 native clips in 23 talen uit de catalogus van Reelang, woord voor woord geteld tegen een frequentielijst per taal. Kies hieronder een taal en een woordenschatomvang en zie wat je daarmee krijgt.
De eerste 1.000 woorden doen het meeste werk
Woordfrequentie is scheef verdeeld. Een paar honderd woorden (the, and, is, you, que, de) vormen een groot deel van alles wat iemand zegt, en elk woord verderop in de lijst komt minder vaak voor. Dit patroon heet de wet van Zipf, en het geldt in elke taal hier.
Over de 18 talen die ik zonder voorbehoud kan rangschikken, is een doorsnee clip voor 80,7% gedekt door de top 1.000 woorden, voor 86,7% door de top 2.000 en voor 92,4% door de top 5.000. De eerste duizend woorden brengen je op vier bekende woorden van de vijf. De volgende vierduizend leveren er ongeveer twaalf punten bij.
De drempels die voor luisteren tellen, zitten in die laatste punten. Twee ervan komen steeds terug in het onderzoek naar hoeveel woorden je nodig hebt:
- 95%, één onbekend woord op 20. Batia Laufer stelde die drempel voor lezen voor in 1989. Voor luisteren vonden van Zeeland en Schmitt (2013) dat de meeste luisteraars het bij 90% al redden, en dat luisteraars in een tweede taal bij 95% goed begrepen, met veel minder verschil tussen hen onderling.
- 98%, één onbekend woord op 50. Hu en Nation (2000) vonden dat leerders die zelfstandig fictie lazen ongeveer dit percentage nodig hadden voor voldoende begrip.
Bij 150 woorden per minuut, een normaal spreektempo, betekent 95% ongeveer zeven onbekende woorden per minuut (Nation, 2006). 98% betekent er drie. Dat verschil voel je in de demo hieronder. Die gebruikt echte zinnen uit clips in het onderzoek en maakt elk woord onzichtbaar dat niet in de top zit die je kiest.
Met 2.000 woorden is de gehaktbalzin voor 58,3% bekend: albóndigas, parmesano, rallado en orégano staan helemaal niet in de lijst, en perejil (peterselie) staat op plaats 13.520. De zin over de kat is bij diezelfde 2.000 woorden voor 96,2% bekend. Beide clips zijn Spaans en beide hebben het label A2.
Engels en Spaans, in cijfers
Engels. De doorsnee clip haalt 90% bij 2.021 woorden, 95% bij 4.462 woorden en 98% bij 9.403 woorden. Met 3.000 woorden zit 24,9% van de Engelse clips op 95% of meer. Met 5.000 woorden is dat 58,4%, en 15,2% zit op 98% of meer.
Spaans. De doorsnee clip haalt 90% bij 2.754 woorden en 95% bij 6.781 woorden. De 98% wordt binnen 10.000 woorden niet gehaald. Met 3.000 woorden zit 10,8% van de Spaanse clips op 95% of meer. Met 5.000 woorden is dat 32,0%.
Voor Spaans vindt een leerder met 3.000 woorden dus ongeveer één clip op tien waarin 95% van de woorden bekend is. Dat is een echte vijver om uit te leren, want de woorden die je nog niet kent, staan tussen woorden die je wel kent. Deze Colombiaanse clip is er zo een: 88,4% van de woorden zit in de top 1.000 en 96,3% in de top 2.000.
De woorden kennen is niet hetzelfde als ze opvangen. De sprekers in die clip praten met een mediaan van 243 woorden per minuut, veel sneller dan een opname uit een lesboek. Dekking zegt of je het transcript zou kunnen begrijpen. Het zegt niet of je het tempo bijhoudt.
Vlakke talen en steile talen
De curves hebben niet allemaal dezelfde vorm. In het Deens, Zweeds en Nederlands dekt de top 1.000 al 84,4% tot 86,5% van een doorsnee clip, en van 1.000 naar 5.000 woorden levert maar 8,3 tot 9,3 punten op. Engels, Frans, Spaans, Portugees en Italiaans winnen 11,5 tot 12,6 punten over hetzelfde bereik. De steilste curves zijn Indonesisch (+20,8), Oekraïens (+18,3), Arabisch (+18,1), Russisch (+16,5), Fins (+15,3), Turks (+15,2) en Pools (+14,3).
Een steile curve betekent dat de eerste duizend woorden meer van de clip onbekend laten, en dat elke volgende duizend meer waard is. Deels ligt dat aan de taal. Deels aan hoe woorden geteld worden, en dat moet je weten voordat je twee talen vergelijkt.
De lijsten hier zijn gelemmatiseerd: dije, dijo en decir tellen allemaal als één woord, decir. Dat is eerlijk tegenover het Spaans, dat veel werkwoordsvormen heeft. Maar een lemmatiseerder werkt alleen als hij de vorm herkent. In het Tsjechisch, Fins, Hongaars, Russisch en Oekraïens is 9,0% tot 10,8% van de lopende woorden in een doorsnee clip een vorm die de lijst aan geen enkel lemma kon koppelen. Veel daarvan zijn gewone woorden met een naamvalsuitgang die het hulpmiddel niet heeft weggehaald. Die tellen hier als onbekend, dus voor die vijf talen zijn de cijfers een ondergrens: de echte dekking ligt hoger. Ze staan met een sterretje in de tabel hieronder.
Samenstellingen werken op een vergelijkbare manier tegen het Duits, Nederlands en de Scandinavische talen. Een Duitse samenstelling als Küchenschrank (keukenkast) telt als onbekend zolang de hele samenstelling niet in de lijst staat, ook als je beide delen kent.
Het niveaulabel verandert de woordenschat nauwelijks
Elke clip in de catalogus heeft een ERK-niveau, bepaald door een model dat het transcript leest. Hier zijn ze gegroepeerd in vijf banden, van A1 (A0 telt als A1) tot C1 (C2 telt als C1). Als het label de woordenschat zou volgen, zouden hogere niveaus meer woorden vragen. Voor de eerste 2.000 woorden doen ze dat nauwelijks. Als je de mediaan over de talen neemt (A1 heeft in 11 talen genoeg clips, C1 in 20), dekt de top 2.000 woorden 84,0% van een A1-clip, 84,0% bij A2, 85,2% bij B1, 86,1% bij B2 en 84,1% bij C1.
Het niveau laat zich wel zien aan de bovenkant. Met 5.000 woorden ken je 95% van de woorden in 30,2% van de A1-clips, 20,6% van de A2-clips, 22,6% van de B1-clips, 15,5% van de B2-clips en 4,5% van de C1-clips. Lengte speelt mee: de mediane C1-clip in de steekproef heeft 338 lopende woorden, de mediane A1-clip 81. Een korte clip heeft minder kans om een zeldzaam woord te gebruiken.
De clips met de laagste dekking gaan meestal over eten. Van de 25 Engelse clips in de steekproef met de laagste dekking bij 2.000 woorden zijn ongeveer twee derde recepten, eetrecensies of snacktests, en 21 hebben het label A1 of A2. In het Spaans gaan 11 van de laagste 25 over eten, en drie zijn kinderliedjes. De grammatica in een recept is simpel (“doe de knoflook erbij, roeren, klaar”), en daarom krijgt het een laag label. De zelfstandige naamwoorden zijn dat niet. In de Engelse lijst is garlic woord 6.395 en tablespoon 11.551. In het Spaans is ajo 6.605 en sartén (koekenpan) 11.125.
Hier zijn twee Engelse clips. De eerste is een filmtrailer met label B2: 96,9% van de woorden zit in de top 2.000, en hij komt bij 1.300 woorden boven de 95%. De tweede is een slowcookerrecept met label A2: 72,3% van de woorden zit in de top 2.000, en pas bij 11.551 woorden komt hij boven de 95%, de plaats van tablespoon.
De trailer is ook niet makkelijk, om een andere reden: de sprekers praten met een mediaan van 215 woorden per minuut. Een niveaulabel perst tempo, grammatica en woordenschat in één letter, en het stuk woordenschat is wat verloren gaat. Ken je tussen de 2.000 en 5.000 woorden, kijk dan naar het onderwerp van een clip en niet alleen naar het niveau: eten, koken en productpraat gebruiken veel woorden van diep uit de lijst.
Varianten verschillen ook
Arabisch is gemeten met een aparte frequentielijst per dialect. De andere talen gebruiken één lijst voor al hun varianten. Met 2.000 woorden is een doorsnee Egyptisch-Arabische clip voor 86,1% gedekt, een Iraakse voor 79,6% en een Marokkaanse voor 72,5%. Voor het Marokkaans staat 9,5% van de woorden in een doorsnee clip helemaal niet in de lijst, dus een deel van dat gat komt door de lijst. In het Frans komen clips uit Québec uit op 90,6% tegen 87,6% voor clips uit Frankrijk. Braziliaans Portugees zit op 87,4%, Europees Portugees op 80,3%, maar slechts 61 Europees-Portugese clips kwamen door de filters en ze worden tegen een andere lijst gescoord, dus dat cijfer is met voorzichtigheid te lezen.
Hoe dit zich verhoudt tot de schatting van Nation
Het bekendste cijfer voor gesproken Engels komt uit het artikel van Paul Nation uit 2006, “How large a vocabulary is needed for reading and listening?”. Met een corpus gesproken Nieuw-Zeelands Engels vond hij dat 3.000 woordfamilies plus eigennamen ruim 95% dekking geven, en dat 6.000 tot 7.000 woordfamilies nodig zijn voor 98%. Webb en Rodgers (2009) kwamen op vergelijkbare cijfers voor filmscripts: 3.000 families plus eigennamen en randwoorden voor 95,76%, en 6.000 families plus dezelfde extra’s voor 98,15%.
Mijn cijfers voor Engels liggen hoger: 4.462 woorden voor een doorsnee clip om 95% te halen, 9.403 voor 98%. Als je alle Engelse clips samen als één lange tekst neemt, dekken 5.000 woorden 95,1%. Er zijn drie redenen waarom de cijfers verschillen, en geen ervan betekent dat een van de studies fout is:
- Families zijn groter dan lemma’s. Een woordfamilie groepeert happy, unhappy, happiness en happily als één eenheid. Een lemmalijst telt ze als vier. 3.000 families komen dus overeen met een groter aantal lemma’s.
- De lijst is vooral gebouwd uit geschreven tekst. Alledaagse spreektaalwoorden staan er lager in dan je zou verwachten: alright is woord 3.102, kinda 2.333 en bye 3.273.
- Korte video’s blijven bij één onderwerp. Een recept van twee minuten besteedt de meeste woorden aan de woordenschat van één onderwerp, terwijl een lang gesprek alle kanten op gaat en meer algemene woorden hergebruikt.
Wat dit betekent als je een taal leert
De eerste 2.000 of 3.000 woorden zijn het waard om bewust te leren, met een deck of cursus op frequentie geordend. Vanaf dat punt is een echt deel van de native clips haalbaar op 95%, en vanaf daar pik je veel nieuwe woorden op uit de context in plaats van uit een lijst. De gids voor beginners van Christian Lauer legt uit hoe je daar snel komt.
Daarna kies je clips op onderwerp, niet alleen op niveau. Een leerder met 3.000 Spaanse woorden kan de kattensketch hierboven volgen en toch verdwalen in het gehaktbalrecept, terwijl beide het label A2 hebben. En voor Tsjechisch, Fins, Hongaars, Russisch en Oekraïens: verwacht dat de cijfers hier zwaarder aanvoelen dan de werkelijkheid is: veel van wat als onbekend telt, is een woord dat je kent met een uitgang die je nog niet bent tegengekomen.
Wil je oefenen met clips zoals hierboven, dan staan op de pagina’s Spaans, Engels en Duits native clips op niveau, met dezelfde woord-voor-woordondertitels als de clips op deze pagina. Meer over waarom begrijpen vóór spreken komt: hoe je stopt met vertalen in je hoofd.
Hoe ik dit heb gemeten
De clips. Alle clips stonden op 29 september 2026 in de catalogus van Reelang en waren in roulatie: openbaar zichtbaar, met spraak, native materiaal (geen taallessen), niet nagesynchroniseerd en in één taal. Per taal nam ik een steekproef van maximaal 500 clips per ERK-niveau en woog ik elk niveau naar zijn aandeel in de catalogus, zodat de cijfers de catalogus als geheel beschrijven. Clips met minder dan 50 woorden, clips waarin één ondertitelregel zich herhaalt (meer dan 30% van de regels), clips sneller dan 330 woorden per minuut duur, en clips waarin meer dan 35% van de woorden niet in de lijst van de taal staat (meestal een transcript in de verkeerde taal) vielen af. Daarna bleven 35.615 clips in de 23 gerangschikte talen over, met 13,8 miljoen lopende woorden. De mediane clip duurt 81 seconden. 35.600 ervan komen van YouTube, 8 van TikTok en 7 van Instagram.
De woorden. Elk transcript wordt op spaties en leestekens in woorden gesplitst, omgezet naar kleine letters, met cijfers verwijderd. Elk woord wordt opgezocht in een frequentielijst voor zijn taal, gebouwd uit wordfreq 3.1.1 (Speer, 2022): de 25.000 meest frequente woordvormen, gegroepeerd per lemma met simplemma (andere hulpmiddelen voor Arabisch, Hebreeuws en de Aziatische talen) en gerangschikt op de totale frequentie van elk lemma. Vormen die niet in de lijst staan, worden als terugval met simplemma gelemmatiseerd. Eigennamen (met hoofdletter, niet aan het begin van een zin, niet in de lijst) en randwoorden als uh, mhm en haha tellen als bekend, net als bij Nation (2006) en Webb en Rodgers (2009). Het Duits schrijft elk zelfstandig naamwoord met een hoofdletter, en Hindi en Arabisch hebben geen hoofdletters, dus die talen krijgen geen krediet voor eigennamen. In het Engels tellen helften van samentrekkingen als het volledige woord (didn’t telt als did en not).
De cijfers. Dekking is het aandeel lopende woorden in een clip waarvan het lemma in de top N zit. De percentages hierboven zijn medianen over clips. Voor de cijfers “clips op 95%” wordt de exacte drempel per clip uit de eigen woordrangen berekend, dus er wordt niet geïnterpoleerd. Het cijfer “doorsnee clip haalt 95% bij” is de kleinste woordenschatomvang waarbij de mediane clip boven de 95% komt.
Niet gerangschikt. Hebreeuwse voorvoegsels (ve-, ha-, be-, le-) worden niet afgesplitst, dus bekende woorden tellen als onbekend. Tamil-transcripten zijn gesproken Tamil en de lijst is geschreven Tamil. Japans, Chinees en Koreaans worden alleen in inhoudswoorden geteld, en Vietnamees in lettergrepen, dus hun cijfers zijn niet met de rest te vergelijken. Een taal heeft minstens 300 clips nodig om gerangschikt te worden. Noors heeft er 449; elke andere gerangschikte taal heeft er meer dan 1.000. De Turkse lijst heeft maar 9.088 lemma’s, dus voor Turks stoppen de grafieken bij 8.000 woorden, en “10.000+” betekent dat een doorsnee clip met de hele lijst de 95% niet haalt.
Bekende vertekeningen. De cijfers beschrijven transcripten, geen audio, dus fouten van spraakherkenning tellen als woorden. De top N woorden perfect kennen is een ideaal geval, en uitdrukkingen worden niet als eenheid geteld. Het ERK-niveau is het oordeel van een model over het transcript. En de catalogus is gekozen voor leerders: hij neigt naar clips met duidelijke spraak en brede aantrekkingskracht, dus het is geen willekeurige steekproef van alles op YouTube of TikTok.
Gebruik deze data
Je mag de grafieken en cijfers op deze pagina gebruiken in je eigen teksten, lessen of onderzoek. Link graag naar deze pagina als bron.
| Taal | Clips | 1.000 | 2.000 | 5.000 | 95%+ | 98%+ | 95% bij |
|---|---|---|---|---|---|---|---|
| Deens | 1.122 | 86,5% | 91,1% | 94,8% | 47,0% | 8,4% | 5.292 |
| Engels | 2.002 | 83,7% | 89,9% | 95,6% | 58,4% | 15,2% | 4.462 |
| Zweeds | 1.325 | 85,6% | 89,8% | 94,0% | 37,6% | 5,6% | 6.768 |
| Nederlands | 1.841 | 84,4% | 89,0% | 93,7% | 32,2% | 3,5% | 7.109 |
| Frans | 1.961 | 82,7% | 88,4% | 94,2% | 40,1% | 5,8% | 5.804 |
| Noors | 449 | 83,5% | 88,1% | 93,0% | 25,0% | 3,8% | 9.478 |
| Spaans | 2.195 | 81,6% | 87,3% | 93,5% | 32,0% | 5,4% | 6.781 |
| Portugees | 1.865 | 81,4% | 87,2% | 94,0% | 38,4% | 7,3% | 6.121 |
| Roemeens | 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+ |
| Italiaans | 1.880 | 79,7% | 85,6% | 91,9% | 21,2% | 2,7% | 9.269 |
| Turks | 1.322 | 77,1% | 85,6% | 92,3% | 25,4% | 5,5% | 10.000+ † |
| Duits | 1.933 | 80,0% | 84,8% | 90,3% | 11,3% | 1,1% | 10.000+ |
| Grieks | 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+ |
| Arabisch | 1.916 | 73,1% | 82,2% | 91,2% | 17,8% | 2,7% | 10.000+ |
| Pools | 1.503 | 73,9% | 81,0% | 88,2% | 8,2% | 1,0% | 10.000+ |
| Indonesisch | 1.582 | 68,6% | 80,6% | 89,4% | 10,4% | 2,3% | 10.000+ |
| Tsjechisch * | 1.239 | 73,4% | 80,0% | 86,8% | 3,9% | 0,5% | 10.000+ |
| Fins * | 1.565 | 71,7% | 79,3% | 87,0% | 3,6% | 0,8% | 10.000+ |
| Hongaars * | 1.732 | 71,7% | 78,1% | 84,5% | 0,4% | 0,0% | 10.000+ |
| Russisch * | 1.305 | 70,0% | 77,8% | 86,5% | 2,9% | 0,1% | 10.000+ |
| Oekraïens * | 1.056 | 65,4% | 73,4% | 83,7% | 0,8% | 0,0% | 10.000+ |
Kolommen 1.000, 2.000 en 5.000: het mediane aandeel lopende woorden in een clip dat gedekt wordt door de top 1.000, 2.000 of 5.000 lemma’s. 95%+ en 98%+: het aandeel clips waarin een leerder die de top 5.000 lemma’s kent minstens 95% of 98% van de woorden kent. 95% bij: de woordenschatomvang waarbij de mediane clip boven de 95% komt (10.000+ betekent: niet binnen 10.000). * Ondergrens: 9% of meer van de woorden in een doorsnee clip kon niet aan de lijst gekoppeld worden, dus de echte dekking ligt hoger. † De Turkse lijst heeft maar 9.088 lemma’s: een doorsnee Turkse clip haalt met de hele lijst de 95% niet.
Bronnen
- 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 (gratis volledige tekst)
- 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. Record
- 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, gratis pdf
- Speer, R. (2022). wordfreq v3.0 [data en software]. Zenodo. doi.org/10.5281/zenodo.7199437. Dit onderzoek gebruikte release 3.1.1 van 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
Begin met kijken
Kies een taal en start de Feed. Echte moedertaalspraak, ingedeeld op hoe moeilijk het te volgen is. Geen quiz, geen aanmelding.
Kies een taalLees verder
Begrijpelijke input voor beginners
Begrijpelijke input werkt pas als je kunt volgen wat er gezegd wordt. Christian Lauer legt uit hoe je daar snel komt, en hoe je merkt dat je zover bent.
Stoppen met vertalen in je hoofd: waarom begrijpen vóór spreken komt
Je stopt met vertalen in je hoofd door je brein zoveel begrijpelijke spraak te geven dat vertalen niet meer nodig is. Vertalen is een omweg die je brein bouwt zolang het te weinig directe ervaring met een taal heeft. De oplossing is geen trucje, maar volume: uren luisteren naar echte spraak die je grotendeels begrijpt, tot je brein een directe route legt van klank naar betekenis.
Waarom begrijpelijke input werkt voor wie Mandarijn leert
Begrijpelijke input werkt voor Mandarijn omdat de grootste obstakels van die taal (tonen, karakters en het grote verschil tussen spreektaal en schrijftaal) dingen zijn die je eerst met je oren leert, niet met regels. Grammaticaoefeningen en flashcards leren je Mandarijn herkennen in isolatie. Begrijpelijke input leert je het herkennen zoals moedertaalsprekers het echt maken: op natuurlijk tempo, in context, met de tonen en het ritme intact.