¿Cuántas palabras necesitas para entender videos nativos?
Con las 5.000 palabras más frecuentes del inglés, el clip nativo típico tiene un 95,6 % de palabras que ya conoces. El español necesita unas 6.800 palabras para llegar al 95 %, y en 13 de 23 idiomas ni 10.000 alcanzan. Datos de 35.615 clips nativos, por idioma y por nivel.
Chief Language Geek @ Reelang
Si conoces las 5.000 palabras más frecuentes del inglés, el clip nativo típico en inglés tiene un 95,6 % de palabras que ya conoces, y el 58,4 % de los clips llega al 95 %, el nivel en el que los estudios de comprensión auditiva ven que quien aprende entiende bien. En español hacen falta unas 6.800 palabras para que el clip típico llegue al 95 %, y en 13 de los 23 idiomas que medí, 10.000 palabras no bastan.
Estas cifras salen de 35.615 clips nativos en 23 idiomas del catálogo de Reelang, contados palabra por palabra contra una lista de frecuencia de cada idioma. Elige un idioma y un tamaño de vocabulario abajo para ver qué consigues.
Las primeras 1.000 palabras hacen casi todo el trabajo
La frecuencia de las palabras está muy desequilibrada. Unos cientos de palabras (the, and, is, you, que, de) forman una parte enorme de todo lo que dice cualquiera, y cada palabra más abajo en la lista aparece menos. Este patrón se conoce como la ley de Zipf, y se cumple en todos los idiomas de aquí.
En los 18 idiomas que puedo ordenar sin advertencias, el clip típico está cubierto en un 80,7 % por las primeras 1.000 palabras, un 86,7 % por las primeras 2.000 y un 92,4 % por las primeras 5.000. Las primeras mil palabras te dan cuatro palabras conocidas de cada cinco. Las siguientes cuatro mil suman unos doce puntos.
Los umbrales que importan para escuchar están dentro de esos últimos puntos. Dos aparecen una y otra vez en la investigación sobre cuántas palabras necesitas:
- 95 %, una palabra desconocida de cada 20. Batia Laufer lo propuso para la lectura en 1989. Para escuchar, van Zeeland y Schmitt (2013) vieron que la mayoría ya se arreglaba con un 90 %, y que con un 95 % quienes escuchan en su segundo idioma entendían bien y con mucha menos variación entre ellos.
- 98 %, una palabra desconocida de cada 50. Hu y Nation (2000) vieron que quien lee ficción por su cuenta necesita más o menos esto para una comprensión adecuada.
A 150 palabras por minuto, un ritmo normal de habla, el 95 % significa unas siete palabras desconocidas por minuto (Nation, 2006). El 98 % significa tres. Puedes sentir esa diferencia en la demo de abajo. Usa frases reales de clips del estudio y tapa cada palabra que no esté entre las más frecuentes que elijas.
Con 2.000 palabras, la frase de las albóndigas se conoce en un 58,3 %: albóndigas, parmesano, rallado y orégano no están en la lista, y perejil está en el puesto 13.520. La frase sobre el gato se conoce en un 96,2 % con esas mismas 2.000 palabras. Los dos clips son en español y los dos están etiquetados como A2.
Inglés y español, en números
Inglés. El clip típico llega al 90 % con 2.021 palabras, al 95 % con 4.462 y al 98 % con 9.403. Con 3.000 palabras, el 24,9 % de los clips en inglés están al 95 % o más. Con 5.000 palabras, lo está el 58,4 %, y el 15,2 % llega al 98 % o más.
Español. El clip típico llega al 90 % con 2.754 palabras y al 95 % con 6.781. No llega al 98 % dentro de las 10.000. Con 3.000 palabras, el 10,8 % de los clips en español están al 95 % o más. Con 5.000 palabras, lo está el 32,0 %.
Así que, en español, quien tiene 3.000 palabras encuentra más o menos un clip de cada diez donde el 95 % de las palabras le resulta familiar. Eso ya es un buen material para aprender, porque las palabras que aún no conoces aparecen rodeadas de las que sí. Este clip colombiano es uno de ellos: el 88,4 % de sus palabras están entre las primeras 1.000 y el 96,3 % entre las primeras 2.000.
Conocer las palabras no es lo mismo que captarlas. Quienes hablan en ese clip van a una mediana de 243 palabras por minuto, mucho más rápido que una grabación de libro de texto. La cobertura de vocabulario te dice si podrías entender la transcripción. No te dice si puedes seguir la velocidad.
Idiomas planos e idiomas empinados
Las curvas no tienen todas la misma forma. En danés, sueco y neerlandés, las primeras 1.000 palabras ya cubren entre el 84,4 % y el 86,5 % de un clip típico, y pasar de 1.000 a 5.000 palabras solo suma entre 8,3 y 9,3 puntos. Inglés, francés, español, portugués e italiano suman entre 11,5 y 12,6 puntos en ese mismo tramo. Las curvas más empinadas son el indonesio (+20,8), el ucraniano (+18,3), el árabe (+18,1), el ruso (+16,5), el finés (+15,3), el turco (+15,2) y el polaco (+14,3).
Una curva empinada significa que las primeras mil palabras dejan más del clip sin entender, y que cada mil siguientes valen más. Parte de esto es el idioma. Parte es cómo se cuentan las palabras, y eso hay que explicarlo antes de comparar dos idiomas.
Las listas de aquí están lematizadas: dije, dijo y decir cuentan como una sola palabra, decir. Eso es justo con el español, que tiene muchas formas verbales. Pero un lematizador solo funciona cuando reconoce la forma. En checo, finés, húngaro, ruso y ucraniano, entre el 9,0 % y el 10,8 % de las palabras de un clip típico son formas que la lista no pudo asignar a ningún lema. Muchas son palabras corrientes con una terminación de caso que la herramienta no quitó. Aquí cuentan como desconocidas, así que para esos cinco idiomas las cifras son un mínimo: la cobertura real es mayor. Van marcadas con un asterisco en la tabla de abajo.
Las palabras compuestas juegan en contra del alemán, el neerlandés y las lenguas nórdicas de forma parecida. Un compuesto alemán como Küchenschrank (armario de cocina) cuenta como desconocido si el compuesto entero no está en la lista, aunque conozcas las dos partes.
La etiqueta de nivel casi no cambia el vocabulario
Cada clip del catálogo tiene un nivel MCER, asignado por un modelo que lee la transcripción. Aquí están agrupados en cinco bandas, de A1 (A0 cuenta como A1) a C1 (C2 cuenta como C1). Si la etiqueta siguiera el vocabulario, los niveles más altos necesitarían más palabras. En las primeras 2.000 palabras, casi no lo hacen. Tomando la mediana entre idiomas (A1 tiene suficientes clips en 11 de ellos, C1 en 20), las primeras 2.000 palabras cubren el 84,0 % de un clip A1, el 84,0 % en A2, el 85,2 % en B1, el 86,1 % en B2 y el 84,1 % en C1.
El nivel sí se nota en la parte alta del rango. Con 5.000 palabras conocerías el 95 % de las palabras en el 30,2 % de los clips A1, el 20,6 % de los A2, el 22,6 % de los B1, el 15,5 % de los B2 y el 4,5 % de los C1. La duración explica parte: el clip C1 mediano de la muestra tiene 338 palabras, y el A1 mediano, 81. Un clip corto tiene menos ocasiones de usar una palabra rara.
Los clips con menor cobertura hablan casi siempre de comida. De los 25 clips en inglés de la muestra con menor cobertura a 2.000 palabras, unos dos tercios son recetas, reseñas de comida o catas de snacks, y 21 están etiquetados A1 o A2. En español, 11 de los 25 más bajos son de comida, y tres son canciones infantiles. La gramática de una receta es simple (“agrega el ajo, revuelve, listo”), y por eso recibe una etiqueta baja. Los sustantivos no lo son. En la lista inglesa, garlic es la palabra 6.395 y tablespoon la 11.551. En español, ajo es la 6.605 y sartén la 11.125.
Aquí van dos clips en inglés. El primero es un tráiler de película etiquetado B2: el 96,9 % de sus palabras están entre las primeras 2.000, y pasa el 95 % con 1.300 palabras. El segundo es una receta de olla de cocción lenta etiquetada A2: el 72,3 % de sus palabras están entre las primeras 2.000, y solo pasa el 95 % con 11.551 palabras, el puesto de tablespoon.
El tráiler tampoco es fácil, por otro motivo: sus voces van a una mediana de 215 palabras por minuto. Una etiqueta de nivel mezcla velocidad, gramática y vocabulario en una sola letra, y lo que se pierde es la parte del vocabulario. Si conoces entre 2.000 y 5.000 palabras, mira también el tema del clip, no solo su nivel: la comida, la cocina y las reseñas de productos usan muchas palabras del final de la lista.
Las variedades también cambian
El árabe se mide con una lista de frecuencia distinta para cada dialecto. Los otros idiomas usan una sola lista para todas sus variedades. Con 2.000 palabras, el clip típico de árabe egipcio está cubierto en un 86,1 %, el iraquí en un 79,6 % y el marroquí en un 72,5 %. En el marroquí, el 9,5 % de las palabras de un clip típico no están en su lista, así que parte de esa diferencia es la lista. En francés, los clips de Quebec salen a 90,6 % frente al 87,6 % de los de Francia. El portugués de Brasil está en 87,4 % y el de Portugal en 80,3 %, pero solo 61 clips de portugués europeo pasaron los filtros y se miden contra otra lista, así que ese dato hay que tomarlo con cuidado.
Cómo se compara con la estimación de Nation
La cifra más conocida para el inglés hablado viene del artículo de Paul Nation de 2006 “How large a vocabulary is needed for reading and listening?”. Con un corpus de inglés hablado de Nueva Zelanda, encontró que 3.000 familias de palabras más los nombres propios dan más del 95 % de cobertura, y que hacen falta entre 6.000 y 7.000 familias para el 98 %. Webb y Rodgers (2009) obtuvieron cifras parecidas para guiones de cine: 3.000 familias más nombres propios y palabras marginales para el 95,76 %, y 6.000 familias más esos mismos extras para el 98,15 %.
Mis cifras para el inglés son más altas: 4.462 palabras para que el clip típico llegue al 95 %, y 9.403 para el 98 %. Tomando todos los clips en inglés juntos como un texto largo, 5.000 palabras cubren el 95,1 %. Hay tres razones por las que las cifras cambian, y ninguna significa que un estudio esté mal:
- Las familias son más grandes que los lemas. Una familia de palabras agrupa happy, unhappy, happiness y happily en una sola unidad. Una lista de lemas las cuenta como cuatro. Así que 3.000 familias equivalen a bastantes más lemas.
- La lista se construye sobre todo con texto escrito. Palabras habladas de todos los días quedan más abajo de lo que esperarías: alright es la palabra 3.102, kinda la 2.333 y bye la 3.273.
- Los videos cortos se quedan en un solo tema. Una receta de dos minutos gasta casi todas sus palabras en el vocabulario de un tema, mientras que una conversación larga se mueve y reutiliza más palabras generales.
Qué significa esto si estás aprendiendo un idioma
Vale la pena aprender a propósito las primeras 2.000 o 3.000 palabras, con un mazo o un curso ordenado por frecuencia. A partir de ahí, una parte real de los clips nativos queda a tu alcance al 95 %, y ya puedes sacar muchas palabras nuevas del contexto en vez de una lista. La guía para principiantes de Christian Lauer explica cómo llegar rápido a ese punto.
Después, elige clips por tema, no solo por nivel. Alguien con 3.000 palabras de español puede seguir el sketch del gato de arriba y perderse igual en la receta de albóndigas, aunque las dos estén etiquetadas A2. Y para el checo, el finés, el húngaro, el ruso y el ucraniano, espera que estas cifras se sientan más duras de lo que son: mucho de lo que cuenta como desconocido es una palabra que conoces con una terminación que aún no has visto.
Si quieres practicar con clips como los de arriba, las páginas de español, inglés y alemán listan clips nativos por nivel, con los mismos subtítulos palabra por palabra que los clips de esta página. Más sobre por qué entender viene antes de hablar: cómo dejar de traducir en tu cabeza.
Cómo lo medí
Los clips. Todos los clips estaban en el catálogo de Reelang el 29 de septiembre de 2026 y en rotación: visibles al público, con habla, contenido nativo (no clases de idiomas), sin doblaje y en un solo idioma. Para cada idioma tomé hasta 500 clips por nivel MCER y ponderé cada nivel según su peso en el catálogo, así que las cifras describen el catálogo entero. Quité los clips con menos de 50 palabras, los clips donde una línea de subtítulo se repite (más del 30 % de las líneas), los clips más rápidos de 330 palabras por minuto de duración y los clips donde más del 35 % de las palabras no están en la lista del idioma (normalmente una transcripción en otro idioma). Después quedaron 35.615 clips en los 23 idiomas ordenados, con 13,8 millones de palabras. El clip mediano dura 81 segundos. 35.600 son de YouTube, 8 de TikTok y 7 de Instagram.
Las palabras. Cada transcripción se divide en palabras por espacios y puntuación, se pasa a minúsculas y se le quitan los dígitos. Cada palabra se busca en una lista de frecuencia de su idioma, construida a partir de wordfreq 3.1.1 (Speer, 2022): las 25.000 formas más frecuentes, agrupadas por lema con simplemma (otras herramientas para el árabe, el hebreo y los idiomas asiáticos) y ordenadas por la frecuencia total de cada lema. Las formas que no están en la lista se lematizan con simplemma como respaldo. Los nombres propios (con mayúscula, no al inicio de una oración, no en la lista) y las palabras marginales como uh, mhm y haha cuentan como conocidas, igual que en Nation (2006) y en Webb y Rodgers (2009). El alemán escribe con mayúscula todos los sustantivos, y el hindi y el árabe no tienen mayúsculas, así que esos idiomas no reciben crédito por nombres propios. En inglés, las mitades de las contracciones cuentan como la palabra completa (didn't cuenta como did y not).
Las cifras. La cobertura es la proporción de palabras de un clip cuyo lema está entre las N primeras. Los porcentajes de arriba son medianas entre clips. Para las cifras de «clips al 95 %», el umbral exacto de cada clip se calcula con sus propios puestos de palabras, así que no hay interpolación. La cifra «el clip típico llega al 95 % con» es el vocabulario más pequeño con el que el clip mediano pasa el 95 %.
Sin ordenar. En hebreo no se separan los prefijos (ve-, ha-, be-, le-), así que palabras conocidas cuentan como desconocidas. Las transcripciones en tamil son de tamil hablado y la lista es de tamil escrito. El japonés, el chino y el coreano se cuentan solo en palabras de contenido, y el vietnamita en sílabas, así que sus cifras no se pueden comparar con el resto. Un idioma necesita al menos 300 clips para entrar en la tabla. El noruego tiene 449; todos los demás idiomas ordenados tienen más de 1.000. La lista turca solo tiene 9.088 lemas, así que en turco los gráficos se detienen en 8.000 palabras, y «10.000+» significa que el clip típico no llega al 95 % ni con la lista completa.
Sesgos conocidos. Las cifras describen transcripciones, no audio, así que los errores de reconocimiento de voz cuentan como palabras. Conocer a la perfección las N primeras palabras es un caso ideal, y las expresiones fijas no se cuentan como unidades. El nivel MCER es el juicio de un modelo sobre la transcripción. Y el catálogo está elegido para quien aprende: tiende a clips con habla clara y temas de interés amplio, así que no es una muestra al azar de todo lo que hay en YouTube o TikTok.
Usa estos datos
Puedes reutilizar los gráficos y las cifras de esta página en tus textos, tus clases o tu investigación. Por favor, enlaza a esta página como fuente.
| Idioma | Clips | 1.000 | 2.000 | 5.000 | 95%+ | 98%+ | 95 % con |
|---|---|---|---|---|---|---|---|
| Danés | 1.122 | 86,5 % | 91,1 % | 94,8 % | 47,0 % | 8,4 % | 5.292 |
| Inglés | 2.002 | 83,7 % | 89,9 % | 95,6 % | 58,4 % | 15,2 % | 4.462 |
| Sueco | 1.325 | 85,6 % | 89,8 % | 94,0 % | 37,6 % | 5,6 % | 6.768 |
| Neerlandés | 1.841 | 84,4 % | 89,0 % | 93,7 % | 32,2 % | 3,5 % | 7.109 |
| Francés | 1.961 | 82,7 % | 88,4 % | 94,2 % | 40,1 % | 5,8 % | 5.804 |
| Noruego | 449 | 83,5 % | 88,1 % | 93,0 % | 25,0 % | 3,8 % | 9.478 |
| Español | 2.195 | 81,6 % | 87,3 % | 93,5 % | 32,0 % | 5,4 % | 6.781 |
| Portugués | 1.865 | 81,4 % | 87,2 % | 94,0 % | 38,4 % | 7,3 % | 6.121 |
| Rumano | 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+ |
| Italiano | 1.880 | 79,7 % | 85,6 % | 91,9 % | 21,2 % | 2,7 % | 9.269 |
| Turco | 1.322 | 77,1 % | 85,6 % | 92,3 % | 25,4 % | 5,5 % | 10.000+ † |
| Alemán | 1.933 | 80,0 % | 84,8 % | 90,3 % | 11,3 % | 1,1 % | 10.000+ |
| Griego | 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+ |
| Árabe | 1.916 | 73,1 % | 82,2 % | 91,2 % | 17,8 % | 2,7 % | 10.000+ |
| Polaco | 1.503 | 73,9 % | 81,0 % | 88,2 % | 8,2 % | 1,0 % | 10.000+ |
| Indonesio | 1.582 | 68,6 % | 80,6 % | 89,4 % | 10,4 % | 2,3 % | 10.000+ |
| Checo * | 1.239 | 73,4 % | 80,0 % | 86,8 % | 3,9 % | 0,5 % | 10.000+ |
| Finés * | 1.565 | 71,7 % | 79,3 % | 87,0 % | 3,6 % | 0,8 % | 10.000+ |
| Húngaro * | 1.732 | 71,7 % | 78,1 % | 84,5 % | 0,4 % | 0,0 % | 10.000+ |
| Ruso * | 1.305 | 70,0 % | 77,8 % | 86,5 % | 2,9 % | 0,1 % | 10.000+ |
| Ucraniano * | 1.056 | 65,4 % | 73,4 % | 83,7 % | 0,8 % | 0,0 % | 10.000+ |
Columnas 1.000, 2.000 y 5.000: la proporción mediana de palabras de un clip cubiertas por los primeros 1.000, 2.000 o 5.000 lemas. 95%+ y 98%+: la proporción de clips en los que alguien que conoce los primeros 5.000 lemas conoce al menos el 95 % o el 98 % de las palabras. 95 % con: el tamaño de vocabulario con el que el clip mediano pasa el 95 % (10.000+ significa que no ocurre dentro de 10.000). * Límite inferior: el 9 % o más de las palabras de un clip típico no se pudo asignar a la lista, así que la cobertura real es mayor. † La lista turca solo tiene 9.088 lemas: el clip turco típico no llega al 95 % ni con la lista completa.
Fuentes
- 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 (texto completo 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. Ficha
- 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 [datos y software]. Zenodo. doi.org/10.5281/zenodo.7199437. Este estudio usó la versión 3.1.1 de 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
Empieza a mirar
Elige un idioma y abre el feed. Habla real de nativos, clasificada por dificultad. Sin examen, sin registro.
Elige un idiomaSiguiente artículo
Input comprensible para principiantes
El input comprensible solo funciona cuando ya puedes seguir lo que se dice. Christian Lauer explica cómo llegar rápido a ese punto y cómo saber que ya estás ahí.
Cómo dejar de traducir en tu cabeza: primero entender, después hablar
Dejas de traducir en tu cabeza cuando le das a tu cerebro tanta habla comprensible que ya no necesita traducir. La traducción es un atajo que tu cerebro arma cuando le falta experiencia directa con el idioma. La solución no es un truco ni fuerza de voluntad: son horas de escucha real que entiendes casi toda, hasta que el sonido lleva directo al significado sin pasar por tu lengua materna.
Por qué el input comprensible funciona para aprender chino mandarín
El input comprensible funciona en mandarín porque sus mayores obstáculos —los tonos, la lectura basada en caracteres y la distancia entre el registro hablado y el escrito— se aprenden primero con el oído y después con reglas. Los ejercicios de gramática y las flashcards te enseñan a reconocer el mandarín aislado; el input comprensible te enseña a reconocerlo tal como lo producen los nativos.