我们分析了37,000个YouTube视频。这就是英语口语的真实面貌

我们从自己的搜索索引中取出了37,632个英语YouTube视频的字幕——深夜脱口秀、纪录片、播客、科普讲解、新闻、访谈节目、Vlog——并对其中出现的每一个单词与短语做了频率分析。总计1.829亿个词。

本文是完整的分析报告。所有原始CSV数据均在文末提供链接，方便希望查看原始数据的读者下载。

语料库的核心数据

分析视频数	37,632
字幕片段数	26,203,765
跳过的非语音片段（[Music]、[Applause]等）	196,433
口语词总量	182,933,444
独立词数（词汇量）	384,132
平均每个视频词数	4,861
独立的二元词组（bigram）	11,240,282
独立的三元词组（trigram）	42,037,127

一半的英语口语只用67个单词

这种分布极端不均衡。

你需要掌握……	……才能听懂这么多英语口语
67个词	50%
505个词	75%
906个词	80%
1,677个词	85%
2,900个词	89%
3,368个词	90%
8,381个词	95%
36,916个词	99%

几个值得单独指出的点：

• 单词the一个词就占了所有英语口语的4.04%——你听到的每25个词里就有一个是the。
• 仅前10个单词就覆盖了**23.2%**的口语内容。母语对话里几乎四分之一的内容由这十个反复出现的词构成。
• 边际收益迅速崩塌。从89%的理解度提升到95%，所需词汇量几乎要翻三倍。从95%再到99%，又要再乘以四。

这是齐普夫定律（Zipf's law）的一种更极端的体现，比书面语料中观察到的更陡峭。书籍把概率质量分散到更多词汇上；口语则把它高度集中。

上图采用双对数坐标。纯Zipf分布的语言会形成一条直线；英语口语非常接近这条直线，仅在最高频区有轻微弯折，长尾的稀有词在排名10⁵之后逐渐消散。

最常见的50个口语单词

排名	单词	数量	占比	累计
1	the	7,387,237	4.04%	4.04%
2	and	5,202,156	2.84%	6.88%
3	to	4,806,242	2.63%	9.51%
4	i	4,324,592	2.36%	11.87%
5	a	4,264,055	2.33%	14.20%
6	you	4,064,555	2.22%	16.43%
7	of	3,724,277	2.04%	18.46%
8	that	3,492,110	1.91%	20.37%
9	it	2,634,690	1.44%	21.81%
10	in	2,521,046	1.38%	23.19%
11	like	2,494,184	1.36%	24.55%
12	is	2,369,926	1.30%	25.85%
13	this	1,781,715	0.97%	26.82%
14	so	1,654,633	0.90%	27.73%
15	was	1,501,038	0.82%	28.55%
16	it's	1,410,862	0.77%	29.32%
17	for	1,305,470	0.71%	30.03%
18	but	1,274,194	0.70%	30.73%
19	we	1,248,337	0.68%	31.41%
20	on	1,216,294	0.66%	32.08%
21	know	1,167,908	0.64%	32.71%
22	have	1,137,673	0.62%	33.34%
23	just	1,134,793	0.62%	33.96%
24	what	1,032,689	0.56%	34.52%
25	they	1,020,670	0.56%	35.08%
26	with	1,007,653	0.55%	35.63%
27	yeah	962,191	0.53%	36.16%
28	be	957,783	0.52%	36.68%
29	are	898,626	0.49%	37.17%
30	not	872,734	0.48%	37.65%
31	do	870,812	0.48%	38.12%
32	i'm	821,478	0.45%	38.57%
33	my	804,993	0.44%	39.01%
34	all	799,543	0.44%	39.45%
35	if	756,360	0.41%	39.86%
36	that's	738,851	0.40%	40.27%
37	at	732,360	0.40%	40.67%
38	about	717,388	0.39%	41.06%
39	he	714,407	0.39%	41.45%
40	your	696,636	0.38%	41.83%
41	one	695,227	0.38%	42.21%
42	as	684,705	0.37%	42.59%
43	or	678,871	0.37%	42.96%
44	can	672,388	0.37%	43.32%
45	think	654,509	0.36%	43.68%
46	right	647,716	0.35%	44.04%
47	don't	637,134	0.35%	44.38%
48	me	616,944	0.34%	44.72%
49	there	597,279	0.33%	45.05%
50	people	592,296	0.32%	45.37%

完整的前10,000词列表见CSV文件。

这个前50榜单引人注目的不是榜上有谁——the、and、to会在任何英语语料中都名列前茅——而是某些词的位置：

• **like**位列第11，这里是话语标记，而不是动词。在书籍语料中它的位置会低得多。
• 五个缩略形式挤进了前50：it's（第16）、i'm（第32）、that's（第36）、don't（第47），更靠后还有一些。书面语料通常把它们拆回完整形式。
• **yeah**位列第27，纯属对话中的衔接词。书籍里几乎不会用它。
• know、just、**right**在这里大多用作话语缓和词（you know、I just wanted、yeah, right），而不是它们的字典义。

榜单顶端清晰地展示了口语与文本的差异：缩略形式、填充词和缓和语与冠词、代词一起，构成了口语中的承重词汇。

口语是由"语块"搭起来的

如果我们不再统计单个单词，而是统计二元和三元词组，便会浮现出另一种结构。英语口语中最高频的单位不是孤立的单词，而是反复出现的短语。

最常见的50个二元词组

排名	短语	数量	占比
1	you know	651,659	0.42%
2	of the	610,473	0.39%
3	in the	597,973	0.38%
4	going to	391,962	0.25%
5	and i	369,069	0.24%
6	i think	360,605	0.23%
7	this is	354,886	0.23%
8	to be	349,293	0.22%
9	i was	294,749	0.19%
10	i don't	280,165	0.18%
11	it was	279,492	0.18%
12	and then	279,061	0.18%
13	to the	271,483	0.17%
14	on the	269,698	0.17%
15	kind of	253,890	0.16%
16	a lot	248,787	0.16%
17	want to	240,129	0.15%
18	if you	239,704	0.15%
19	you can	214,797	0.14%
20	and the	211,577	0.13%
21	i mean	198,883	0.13%
22	lot of	188,401	0.12%
23	to do	188,301	0.12%
24	in a	185,960	0.12%
25	is a	183,838	0.12%
26	like a	180,615	0.12%
27	at the	169,424	0.11%
28	have to	168,863	0.11%
29	one of	161,657	0.10%
30	have a	160,163	0.10%
31	that i	159,887	0.10%
32	is the	159,862	0.10%
33	you have	158,225	0.10%
34	do you	158,154	0.10%
35	and you	156,410	0.10%
36	that you	150,818	0.10%
37	for the	147,492	0.09%
38	a little	146,585	0.09%
39	to get	143,031	0.09%
40	like i	141,139	0.09%
41	so i	140,193	0.09%
42	it is	137,325	0.09%
43	don't know	136,714	0.09%
44	was like	136,396	0.09%
45	it's a	136,095	0.09%
46	and so	135,209	0.09%
47	of a	134,589	0.09%
48	with the	132,177	0.08%
49	but i	131,380	0.08%
50	was a	126,161	0.08%

完整列表：top-bigrams.csv。

三个观察：

1. **you know**力压所有语法骨架词。它是英语口语中最高频的一对单词——比of the或in the出现得还多。
2. 前50里第一人称结构密度极高：and i、i think、i was、i don't、i mean。口语大多是说话人在谈论自己。
3. kind of、a lot、a little、like a、was like——非正式的缓和语和类引语结构充斥前50。

最常见的50个三元词组

排名	短语	数量	占比
1	a lot of	170,961	0.13%
2	i don't know	96,455	0.07%
3	one of the	82,693	0.06%
4	going to be	72,293	0.05%
5	a little bit	64,930	0.05%
6	i was like	60,915	0.05%
7	i'm going to	55,940	0.04%
8	i want to	55,071	0.04%
9	you want to	54,908	0.04%
10	you know what	52,925	0.04%
11	you have to	44,985	0.03%
12	you know i	43,538	0.03%
13	this is a	43,457	0.03%
14	this is the	41,664	0.03%
15	and i think	40,214	0.03%
16	and i was	39,340	0.03%
17	i feel like	38,019	0.03%
18	we're going to	35,687	0.03%
19	oh my god	35,203	0.03%
20	to be a	33,229	0.03%
21	what do you	32,747	0.02%
22	be able to	32,263	0.02%
23	i don't think	31,986	0.02%
24	it was a	30,717	0.02%
25	and you know	30,321	0.02%
26	you're going to	29,731	0.02%
27	like you know	29,420	0.02%
28	don't want to	29,249	0.02%
29	some of the	28,953	0.02%
30	is going to	28,787	0.02%
31	i think it's	28,719	0.02%
32	not going to	27,406	0.02%
33	do you think	27,196	0.02%
34	and this is	25,763	0.02%
35	i think that	25,762	0.02%
36	i mean i	25,419	0.02%
37	in the world	25,310	0.02%
38	and it was	25,303	0.02%
39	and then i	25,091	0.02%
40	you have a	23,988	0.02%
41	the end of	23,885	0.02%
42	and then you	23,471	0.02%
43	i think i	23,393	0.02%
44	out of the	23,054	0.02%
45	it was like	22,869	0.02%
46	you know the	22,783	0.02%
47	when i was	22,755	0.02%
48	you got to	22,220	0.02%
49	want to be	22,218	0.02%
50	know what i	22,117	0.02%

完整列表：top-trigrams.csv。

在前15个三元词组里，有11个以代词开头，6个明确包含第一人称I。英语口语压倒性地是关于"谁在实时对谁说什么"，而这些高频短语正好印证了这一点。

还有几个值得注意的序列，因为它们在正式英语中并不会出现：i was like（第6）、you know what（第10）、i feel like（第17）、oh my god（第19）、you got to（第48）。它们不是什么花哨的习语——而是日常口语中的连接组织。

这一分布说明了什么

从这些数字里能得出三个结论。

**性价比最高的词汇量其实不大。**一位能稳定听辨3,000个口语单词的学习者，已经具备听懂YouTube上89%母语英语的语言素材。要把这一比例推高到95%，还得再额外掌握5,500个词——其中大多数在整个1.83亿词的语料里只会出现寥寥几次。

**频率校准比词汇量大小更重要。**多数课程和App把词表里的词当作大致同等重要来对待。但数据并非如此：所有"工作量"的50%都由前67个词承担。如果学习计划没有反映这一点，就是在错配努力。

**逐词翻译是错误的最小单位。**前列三元词组里有一半是功能性语块（a lot of、i don't know、a little bit、going to be），它们作为一个整体在起作用。把它们整体识别和把它们当作三个独立单词来解析，是两种不同的认知操作。在实时口语中，这一差别就是"跟得上"和"跟不上"的区别。

方法论

得出这些数字的处理流程：

1. **来源。**37,632个英语YouTube视频的字幕。
2. **分词。**先把文本转为小写，再用正则[a-z]+(?:'[a-z]+)?匹配。这样可以把don't、gonna、it's等缩略形式作为单个token保留，丢弃数字，并忽略标点。
3. **噪声过滤。**匹配^\[.*\]$的片段（如[Music]、[Applause]、[Inaudible]）在分词之前就被跳过。本步去除了196,433个片段。
4. **计数。**对一元词，每个token都计入。对二元词组和三元词组，仅在同一字幕片段内统计相邻的N个token序列；序列不允许跨片段边界。
5. 累计占比通过按计数排序后逐项求和得到。

本分析没有做的事：

• **未做词形还原。**go、going、went、gone被视为不同的词项。这对衡量学习者听到时实际需要识别的内容是合适的，但相比做了词形还原的分析会高估词汇总量。
• **未做词性标注。**作为动词的like和作为话语标记的like被一起统计。
• **未过滤自动生成的字幕。**部分视频有人工编辑的字幕，部分则是自动生成的字幕；后者会带来一定的转写噪声，尤其是在长尾部分。

本分析的可靠之处在于：分布的形态，以及高频词与高频短语的身份。榜首的那些词——the、and、to、I、like、it's、you know、i don't know——经得起任何合理的清洗与处理。

关于语料的几点说明

这37,632个视频并不是所有英语口语的随机样本。它们是为我们的视频片段搜索引擎ClipPhrase精心整理的一组热门英语YouTube频道。这一语料库存在以下偏向：

• **美式英语为主。**大多数频道位于美国。
• **以专业说话人为主。**深夜秀主持人、播客主、YouTuber、新闻主播——并不能代表日常私人口语的横截面。
• **偏向热门内容。**频道是按观看量和广泛文化影响力筛选的，而不是为了覆盖各种方言或语域。

这些限制收窄了这些数字严格意义上能证明什么。但它们并不会改变分布的形态，也不会动摇这一定性的发现：英语口语把概率质量高度集中在很小的一组高频功能词与语块上。

自己来试试

这套语料同时也是一个搜索索引。本文中提到的每一个单词和短语，都在数以万计的真实视频片段里出现过，可按查询检索。在ClipPhrase中输入I was like，你能看到五十位不同的说话人在使用它；输入gonna，能找到几千条结果。这就是支撑本文的底层工具。

数据下载

• top-words.csv——前10,000个单词，含排名、计数、占比与累计占比
• top-bigrams.csv——前5,000个二元词组
• top-trigrams.csv——前5,000个三元词组

如果你在自己的写作或研究中使用了这些数据，欢迎注明来源并附上本页面的链接。