Em 10.446 vídeos do YouTube da biblioteca de transcrições do SozAI, quem falava inglês disse uma mediana de 168 palavras por minuto de fala, e metade dos vídeos em inglês ficou entre 147 e 192. O espanhol e o russo marcaram 139, o francês 165, o alemão 130 e o português 149. Medimos 14 idiomas a partir dos tempos das legendas de cada vídeo. Deixamos de fora música e anúncios, além de faixas dubladas e de toda transcrição cujo texto de legenda não se sustentou.
Medido em 31 de outubro de 2026. Versão do método 1.1. 10.446 vídeos, cerca de 6.880 horas de fala. Fonte: a biblioteca pública de transcrições do sozai.app.
Fatos rápidos
| Medida | Valor |
|---|---|
| Idiomas publicados | 14, cada um com pelo menos 100 vídeos |
| Vídeos medidos | 10.446 |
| Fala medida | cerca de 6.880 horas |
| Inglês, mediana | 168 palavras por minuto |
| Inglês, metade central dos vídeos | 147 a 192 palavras por minuto |
| Palestras e discursos em inglês, mediana | 147 palavras por minuto (56 vídeos) |
| Conferido com as legendas do próprio YouTube | 106 vídeos, razão mediana de contagem de palavras 0,99 |
Velocidade de fala por idioma
Cada vídeo dá uma taxa: palavras divididas pelos minutos de fala. A mediana é o vídeo do meio do idioma. A metade central é o intervalo do percentil 25 ao percentil 75, ou seja, metade dos vídeos cai dentro dele. A última coluna é o intervalo de 95 % de bootstrap da mediana, que mostra quanto a própria mediana poderia variar com outra amostra do mesmo tamanho.
| Idioma | Vídeos | Mediana, palavras por minuto | Metade central | Intervalo de 95 % da mediana |
|---|---|---|---|---|
| Inglês | 3.692 | 168 | 147 a 192 | 167 a 170 |
| Russo | 2.884 | 139 | 122 a 155 | 138 a 140 |
| Polonês | 634 | 128 | 118 a 140 | 127 a 130 |
| Árabe | 612 | 123 | 104 a 143 | 120 a 125 |
| Hindi | 430 | 181 | 158 a 207 | 177 a 188 |
| Espanhol | 382 | 139 | 121 a 164 | 135 a 143 |
| Francês | 377 | 165 | 137 a 203 | 161 a 168 |
| Ucraniano | 349 | 121 | 103 a 135 | 118 a 124 |
| Indonésio | 347 | 129 | 115 a 145 | 127 a 133 |
| Coreano | 200 | 112 | 97 a 127 | 108 a 115 |
| Alemão | 166 | 130 | 107 a 170 | 124 a 137 |
| Português | 160 | 149 | 135 a 170 | 145 a 155 |
| Hebraico | 107 | 138 | 120 a 156 | 131 a 144 |
| Bengali | 106 | 144 | 128 a 168 | 139 a 152 |
Compare os números dentro de um idioma, não entre idiomas. Aqui, uma palavra é o que fica entre dois espaços, e cada idioma empacota a fala em palavras de um jeito. O coreano escreve um substantivo e a sua partícula como uma só palavra, por isso a contagem é baixa (112). O hindi escreve separadas muitas palavras gramaticais curtas, por isso a contagem é alta (181). Nenhum dos dois números diz que os falantes de coreano falam mais devagar ou os de hindi mais depressa que os demais.
Idiomas que deixamos de fora
Um idioma só aparece quando pelo menos 100 dos seus vídeos passam por todas as verificações. Estes não passaram: japonês 95, italiano 93, chinês 87, turco 33, vietnamita 32, holandês 23, tailandês 23, sueco 22, persa 22. Idiomas com menos de 20 vídeos medidos não estão listados. Japonês, chinês e tailandês são escritos sem espaços entre as palavras, então para eles contamos caracteres por minuto em vez de palavras. Muitas transcrições em japonês e chinês falharam nas verificações de texto descritas abaixo, e é por isso que sobraram tão poucas.
Por tipo de vídeo
Separamos os vídeos em tipos pelas palavras do título e do nome do canal: entrevista, podcast, aula, lição, TED, keynote, “como fazer” e os equivalentes nos outros idiomas. 1.612 dos 10.446 vídeos se encaixaram em um tipo. Em uma verificação por amostragem de 100 títulos separados, cerca de 9 em cada 10 estavam no tipo certo. Para comparar tipos entre idiomas, a taxa de cada vídeo é dividida pela mediana do seu próprio idioma, então 1,07 significa 7 % mais rápido que o habitual naquele idioma.
| Tipo | Vídeos | Em relação à mediana do idioma | Metade central |
|---|---|---|---|
| Tutoriais e conselhos | 442 | 7 % mais rápido (1,07) | 0,89 a 1,23 |
| Aula, lição ou curso | 421 | 2 % mais devagar (0,98) | 0,81 a 1,13 |
| Podcast | 187 | 4 % mais rápido (1,04) | 0,89 a 1,16 |
| Palestra ou discurso | 125 | 6 % mais devagar (0,94) | 0,83 a 1,07 |
| Entrevista | 109 | 1 % mais devagar (0,99) | 0,93 a 1,11 |
As diferenças entre os tipos são pequenas diante da dispersão dentro de cada tipo. Palestras e discursos são os mais lentos. Os vídeos de tutoriais e conselhos são os mais rápidos, e muitos são roteirizados e editados com precisão. Outros cinco tipos tinham menos de 100 vídeos cada e não aparecem: notícias, audiolivros, sermões, jogos e dramaturgia.
Inglês por tipo
| Tipo | Vídeos | Mediana, palavras por minuto | Metade central |
|---|---|---|---|
| Tutoriais e conselhos | 282 | 184 | 159 a 211 |
| Podcast | 69 | 178 | 156 a 192 |
| Aula, lição ou curso | 92 | 177 | 147 a 203 |
| Entrevista | 55 | 166 | 143 a 187 |
| Palestra ou discurso | 56 | 147 | 131 a 176 |
Palestras e discursos em inglês correram a uma mediana de 147 palavras por minuto, 21 abaixo da mediana do YouTube em inglês como um todo. Se você está cronometrando um discurso que vai fazer diante de um público, esse é o número mais próximo. Em russo, aulas e lições correram a 124 palavras por minuto (131 vídeos), contra uma mediana russa de 139.
Por tema
As transcrições criadas até 30 de julho de 2026 trazem um entre 20 rótulos de tema, e 3.860 dos vídeos medidos têm um. A escala é a mesma dos tipos. Temas com menos de 100 vídeos não aparecem.
| Tema | Vídeos | Em relação à mediana do idioma | Metade central |
|---|---|---|---|
| Ciência e educação | 735 | 7 % mais devagar (0,93) | 0,80 a 1,02 |
| Negócios e startups | 430 | 9 % mais rápido (1,09) | 0,98 a 1,22 |
| Psicologia e desenvolvimento pessoal | 375 | 4 % mais devagar (0,96) | 0,86 a 1,07 |
| Tecnologia e IA | 323 | 1 % mais rápido (1,01) | 0,89 a 1,15 |
| Tutoriais de software | 243 | 1 % mais rápido (1,01) | 0,87 a 1,19 |
| Dinheiro e investimentos | 236 | 9 % mais rápido (1,09) | 0,96 a 1,16 |
| Saúde e fitness | 235 | 2 % mais devagar (0,98) | 0,87 a 1,11 |
| Notícias e política | 224 | 1 % mais devagar (0,99) | 0,91 a 1,08 |
| Religião e espiritualidade | 172 | 7 % mais devagar (0,93) | 0,83 a 1,04 |
| Jogos | 148 | 2 % mais devagar (0,98) | 0,83 a 1,12 |
| Sociedade e cultura | 117 | 1 % mais devagar (0,99) | 0,89 a 1,12 |
| Cinema e TV | 109 | 5 % mais devagar (0,95) | 0,78 a 1,13 |
| Estilo de vida | 100 | 2 % mais rápido (1,02) | 0,87 a 1,15 |
Os vídeos de negócios e de dinheiro correram 9 % mais rápido que a mediana do seu idioma. Ciência e educação, e religião, correram 7 % mais devagar.
Como medimos
- Fonte. Todas as transcrições publicadas no sozai.app às 10:55 UTC de 31 de outubro de 2026: 29.514 posts. Cada uma foi montada a partir das legendas que o YouTube mostra para o vídeo e mantém os tempos delas. Lemos o banco de dados com consultas somente de leitura e não lemos nenhum dado pessoal.
- Idioma é o idioma da faixa de legendas a partir da qual a transcrição foi montada.
- Palavras são as unidades entre espaços que contêm uma letra ou um dígito, depois de removidas marcas de som como [Música] e [Aplausos]. Para japonês, chinês e tailandês contamos letras e dígitos.
- Tempo de fala. As legendas ficam guardadas em segmentos de cerca de 40 palavras, cada um com um tempo de início e de fim. O tempo de fala é o tempo que esses segmentos cobrem. Um segmento que corre a menos da metade do ritmo habitual do próprio vídeo contém uma pausa longa, música ou um corte, então descartamos as suas palavras e o seu tempo juntos.
- Taxa é o número de palavras dividido pelo tempo de fala, um número por vídeo. As tabelas trazem a mediana entre vídeos, então uma aula de três horas conta tanto quanto um clipe de cinco minutos.
- Mínimos. Pelo menos 2 minutos de fala por vídeo, 100 vídeos por idioma, 100 por tipo ou tema e 50 para um tipo dentro de um idioma.
O que deixamos de fora
| Motivo | Transcrições |
|---|---|
| Não montadas a partir de legendas com tempo: transcrições mais antigas cujos tempos foram estimados por um modelo, ou sem fonte registrada | 5.176 |
| Música, canções, recitação, ASMR (rótulo de tema, palavras do título ou marcas [Música] nas legendas) | 4.465 |
| Criadas depois de 20 de outubro de 2026, 13:56 UTC (veja os limites abaixo) | 2.274 |
| A etapa de pontuação deslocou ou repetiu linhas (um segmento com mais de 100 palavras) | 2.262 |
| Com menos de 2 minutos, como vídeo ou em fala medida | 1.447 |
| O idioma da legenda não corresponde ao título: provavelmente uma faixa dublada ou traduzida | 1.070 |
| Marcações de legenda ausentes (mais de 15 % dos segmentos têm menos de 15 palavras) | 941 |
| Registros incompletos: sem título ou idioma, ou com menos de 5 segmentos | 508 |
| Texto em japonês, chinês e tailandês encurtado pela etapa de pontuação | 227 |
| Com muito silêncio ou música (mais de 30 % do tempo de legenda a menos da metade do ritmo do vídeo) | 85 |
| Trailers e anúncios | 30 |
| Valores atípicos (mais de três intervalos interquartis fora da metade central do idioma) | 12 |
| Deixadas de fora no total | 18.497 |
Sobram 11.017 vídeos medidos, dos quais 10.446 estão nos 14 idiomas publicados. Duas configurações pesam mais: o piso de pausa (metade do ritmo habitual do vídeo) e a cerca de valores atípicos. Mover o piso para 0,4 ou 0,6 não altera nenhuma mediana de idioma em mais de 2 palavras por minuto, e retirar a cerca de valores atípicos não altera nenhuma.
Conferido com o YouTube
Em 31 de outubro de 2026 escolhemos ao acaso 112 vídeos medidos, 8 por idioma, e baixamos as legendas de reconhecimento de fala do próprio YouTube para cada um. 6 vídeos não tinham mais essa faixa. Para os outros 106:
| Verificação | Resultado |
|---|---|
| Nossa contagem de palavras dividida pela do YouTube, mediana | 0,99 |
| Vídeos a até 10 % da contagem de palavras do YouTube | 92 % |
| Vídeos cuja taxa fica a até 10 % da taxa da faixa do YouTube | 97 de 106 |
| Diferença mediana na taxa | −0,4 % |
As regras acima foram fixadas antes desta verificação. Uma verificação anterior, em outra amostra, é como descobrimos duas delas: vídeos com muitos segmentos curtos de legenda tinham perdido um terço ou mais das palavras, e segmentos de mais de 100 palavras continham texto repetido.
Limites
- São vídeos do YouTube. Muitos são roteirizados e editados, e a edição corta pausas, então correm mais depressa que a fala sem roteiro em uma sala.
- A amostra é o que os visitantes nos pediram para transcrever, não um sorteio aleatório do YouTube. Inglês e russo somam 63 % dos vídeos medidos.
- As legendas automáticas perdem palavras com ruído e falas sobrepostas, e cada palavra perdida baixa um pouco a taxa.
- Não conseguimos distinguir legendas automáticas de legendas escritas por uma pessoa, e as duas estão na amostra.
- Muitos vídeos têm mais de um falante. A taxa pertence ao vídeo, não a uma pessoa.
- As transcrições criadas a partir de 20 de outubro de 2026, 13:56 UTC, não estão nesta edição. Nesse dia a etapa que acrescenta pontuação às legendas mudou e, em muitas das transcrições mais novas, repetiu ou perdeu linhas, então deixamos todo o período de fora.
Use os números
A calculadora de tempo de fala e o teleprompter partem da mediana do idioma da sua página, quando temos uma, e você pode mudar a taxa. O contador de palavras usa a mesma mediana para o tempo de fala.
