言語別の話す速さ(1分あたりの語数):14言語、10,446本の文字起こしで測定(2026年10月31日)

SozAI の文字起こしライブラリにある YouTube 動画 10,446 本で、英語の話者は 1 分あたり中央値で 168 語を話し、英語動画の半分は 147 語から 192 語の間に収まりました。スペイン語とロシア語はどちらも 139、フランス語は 165、ドイツ語は 130、ポルトガル語は 149 でした。14 言語を、各動画自身の字幕のタイムスタンプから測っています。音楽と広告、吹き替えの音声トラック、字幕テキストが検証に耐えなかったすべての文字起こしは除外しました。

測定日 2026年10月31日。方法のバージョン 1.1。動画 10,446 本、話した時間の合計は約 6,880 時間。出典:sozai.app の公開文字起こしライブラリ。

要点

言語別の話す速さ

1 本の動画から1つの速さが出ます。語数を、話した時間(分)で割った値です。中央値は、その言語の真ん中にあたる動画の値です。中央の半分は、25 パーセンタイルから 75 パーセンタイルまでの範囲で、動画の半分がこの中に入ります。最後の列は中央値の 95 %ブートストラップ区間で、同じ大きさの別のサンプルを取ったときに、中央値自体がどれだけ動きうるかを示します。

数字は、言語をまたいでではなく、同じ言語の中で比べてください。ここでの 1 語は、2 つのスペースの間にあるものを指し、言語によって、話した内容が語にまとめられる量が違います。韓国語は名詞と助詞を 1 語として書くため、語数は少なくなります(112)。ヒンディー語は短い文法語の多くを別々に書くため、語数は多くなります(181)。どちらの数字も、韓国語の話者が他より遅く話す、ヒンディー語の話者が他より速く話す、ということを示すものではありません。

除外した言語

すべての検証を通った動画が 100 本以上ある言語だけを掲載しています。次の言語は届きませんでした。日本語 95、イタリア語 93、中国語 87、トルコ語 33、ベトナム語 32、オランダ語 23、タイ語 23、スウェーデン語 22、ペルシア語 22。測定した動画が 20 本に満たない言語は記載していません。日本語、中国語、タイ語は語の間にスペースを入れずに書くため、これらの言語では語数の代わりに 1 分あたりの文字数を数えています。日本語と中国語の文字起こしの多くは、後述のテキスト検証に通らなかったため、残りがわずかになりました。

動画の種類別

動画は、タイトルとチャンネル名の中の語で種類に分けました。インタビュー、ポッドキャスト、講義、レッスン、TED、基調講演、「やり方」と、ほかの言語でのそれらに当たる語です。10,446 本のうち 1,612 本が、いずれかの種類に当てはまりました。分類したタイトル 100 本の抜き取り確認では、約 9 割が正しい種類でした。言語をまたいで種類を比べるため、各動画の速さをその言語の中央値で割っています。たとえば 1.07 は、その言語の通常より 7 %速いことを意味します。

種類ごとの差は、各種類の内部のばらつきに比べて小さいものです。トークとスピーチが最も遅く、ハウツーとアドバイスの動画が最も速く、その多くは台本があり、きつく編集されています。ほかに 5 つの種類は、それぞれ動画が 100 本に満たなかったため掲載していません。ニュース、オーディオブック、説教、ゲーム、ドラマです。

英語、種類別

英語のトークとスピーチは、中央値が 1 分あたり 147 語で、YouTube の英語全体の中央値より 21 語少なくなっています。聴衆の前で話すスピーチの時間を計るなら、こちらの数字が近くなります。ロシア語では、講義とレッスンが 1 分あたり 124 語(動画 131 本)で、ロシア語の中央値 139 より遅くなりました。

トピック別

2026年7月30日までに作られた文字起こしには、20 のトピックラベルのいずれかが付いていて、測定した動画のうち 3,860 本にラベルがあります。尺度は種類の場合と同じです。動画が 100 本に満たないトピックは掲載していません。

ビジネスとお金の動画は、その言語の中央値より 9 %速くなりました。科学と教育、宗教は 7 %遅くなりました。

測定の方法

• 出典。2026年10月31日 10:55 UTC 時点で sozai.app に公開されていたすべての文字起こし、29,514 件。それぞれ、YouTube がその動画に表示する字幕から作られ、字幕のタイムスタンプを保っています。データベースは読み取り専用のクエリで読み、個人データは読んでいません。
• 言語は、文字起こしの元になった字幕トラックの言語です。
• 語は、[Music] や [Applause] などの音のタグを取り除いたあとの、文字または数字を含むスペース間の単位です。日本語、中国語、タイ語では、代わりに文字と数字を数えます。
• 話した時間。字幕は、約 40 語ずつのセグメントとして保存され、それぞれに開始時刻と終了時刻があります。話した時間は、そのセグメントがカバーする時間です。その動画自身の通常の速さの半分未満で進むセグメントは、長い間、音楽、またはカットを含むため、その語数と時間を一緒に除きます。
• 速さは、語数を話した時間で割った値で、動画ごとに 1 つです。表には動画ごとの値の中央値を載せているので、3 時間の講義も 5 分のクリップも、同じ重みで数えられます。
• 最小の条件。1 本の動画につき話した時間が 2 分以上、1 つの言語につき動画 100 本、1 つの種類またはトピックにつき 100 本、1 つの言語内の 1 つの種類につき 50 本。

除外したもの

その結果、測定した動画は 11,017 本残り、そのうち 10,446 本が、公開した 14 言語に入っています。最も影響が大きい設定は 2 つで、間の下限(動画の通常の速さの半分)と、外れ値の境界です。下限を 0.4 または 0.6 に動かしても、言語の中央値は 1 分あたり 2 語を超えては変わらず、外れ値の境界をなくしても、どれも変わりません。

YouTube との照合

2026年10月31日に、測定した動画から 112 本を無作為に選び(1 言語につき 8 本)、それぞれについて YouTube 自身の音声認識字幕をダウンロードしました。6 本の動画には、そのトラックがもうありませんでした。残りの 106 本の結果です。

上記のルールは、この照合の前に決めたものです。別のサンプルで行った以前の照合で、そのうち 2 つが見つかりました。短い字幕セグメントが多い動画は、語の 3 分の 1 以上を失っていたこと、そして 100 語を超えるセグメントに繰り返しのテキストがあったことです。

限界

• これらは YouTube の動画です。台本があって編集されたものが多く、編集で間が削られるため、部屋の中での台本のない会話より速くなります。
• サンプルは、訪れた人が文字起こしを依頼したものであり、YouTube からの無作為抽出ではありません。英語とロシア語で、測定した動画の 63 %を占めます。
• 自動字幕は、雑音や同時に話す声の中で語を取りこぼし、取りこぼした語のぶんだけ、速さがわずかに下がります。
• 自動字幕と人が書いた字幕は見分けられず、どちらもサンプルに含まれています。
• 話者が複数いる動画も多くあります。速さは動画に属するもので、1 人の人に属するものではありません。
• 2026年10月20日 13:56 UTC 以降に作られた文字起こしは、この版に入っていません。その日、字幕に句読点を付ける処理が変わり、新しい文字起こしの多くで行が繰り返されたり欠けたりしたため、その期間全体を除きました。

数字を使う

スピーチ時間計算ツールとプロンプターは、中央値がある場合は、ページの言語の中央値から始まり、速さは変更できます。文字数カウンターも、話す時間の計算に同じ中央値を使います。

関連

• 文字起こしライブラリを見る
• YouTube 文字起こしジェネレーター
• SozAI について