14 种语言的语速：基于 10,446 份文字稿实测，2026 年 10 月 31 日

在 SozAI 文字稿库的 10,446 个 YouTube 视频里，说英语的人每分钟的语音中位数是 168 个词，一半的英语视频落在 147 到 192 之间。西班牙语和俄语都是 139，法语 165，德语 130，葡萄牙语 149。我们根据每个视频自带字幕的时间戳，测量了 14 种语言。我们排除了音乐和广告，也排除了配音音轨，以及所有字幕文字经不起检查的文字稿。

测量日期 2026 年 10 月 31 日。方法版本 1.1。10,446 个视频，约 6,880 小时的语音。来源：sozai.app 上公开的文字稿库。

要点速览

各语言的语速

每个视频得出一个语速：词数除以语音的分钟数。中位数就是该语言正中间的那个视频。中间一半是第 25 到第 75 百分位之间的范围，也就是说一半的视频落在其中。最后一列是中位数的 95 % 自助法区间，表示换一批同样大小的样本，中位数本身可能波动多少。

请在同一种语言内部比较数字，不要跨语言比较。这里的一个词，指两个空格之间的内容，而各种语言把语音装进词里的方式不同。韩语把名词和助词写成一个词，所以它的词数偏低（112）。印地语把许多短的语法词分开写，所以它的词数偏高（181）。这两个数字都不能说明韩语使用者说得比别人慢，或印地语使用者说得比别人快。

我们排除的语言

一种语言要出现在这里，至少要有 100 个视频通过所有检查。下面这些没有达到：日语 95、意大利语 93、中文 87、土耳其语 33、越南语 32、荷兰语 23、泰语 23、瑞典语 22、波斯语 22。测量视频不足 20 个的语言没有列出。日语、中文和泰语书写时词与词之间没有空格，所以对它们我们改为统计每分钟的字符数。许多日语和中文的文字稿没有通过下文所说的文本检查，所以留下的很少。

按视频类型

我们根据标题和频道名称里的词，把视频分成不同类型：访谈、播客、讲座、课程、TED、主题演讲、“怎么做”以及其他语言里的对应说法。10,446 个视频中有 1,612 个对上了某个类型。在对 100 个已分类标题的抽查中，大约十分之九的类型是对的。为了跨语言比较各类型，我们把每个视频的语速除以它所属语言的中位数，所以 1.07 表示比该语言通常的速度快 7 %。

相对于每个类型内部的离散程度，类型之间的差别很小。演讲和讲话最慢。教程与建议类视频最快，其中许多是有脚本、剪辑紧凑的。另外还有五个类型各不足 100 个视频，没有列出：新闻、有声书、布道、游戏和戏剧。

英语按类型

英语的演讲和讲话，中位数为每分钟 147 词，比整个英语 YouTube 的中位数低 21。如果你要给一场面向听众的演讲计时，这个数字更接近实际。在俄语里，讲座和课程的语速是每分钟 124 词（131 个视频），而俄语的中位数是 139。

按主题

2026 年 7 月 30 日之前创建的文字稿带有 20 个主题标签之一，测量的视频中有 3,860 个带有标签。比例尺与类型相同。视频不足 100 个的主题没有列出。

商业和金钱类视频比各自语言的中位数快 9 %。科学与教育、宗教类则慢 7 %。

测量方法

• 来源。2026 年 10 月 31 日 10:55 UTC 时 sozai.app 上公开的所有文字稿：29,514 篇。每一篇都由 YouTube 为该视频显示的字幕生成，并保留了字幕的时间戳。我们用只读查询读取数据库，不读取任何个人数据。
• 语言指生成这份文字稿所用字幕轨道的语言。
• 词数指两个空格之间含有字母或数字的单位，统计前已去掉 [Music]、[Applause] 这类声音标签。对日语、中文和泰语，我们改为统计字母和数字。
• 语音时间。字幕按约 40 个词一段保存，每段都有开始和结束时间。语音时间就是这些段落所覆盖的时间。如果某一段的速度低于它所属视频通常速度的一半，说明其中有长停顿、音乐或剪辑，我们就把它的词数和时间一起去掉。
• 语速是词数除以语音时间，每个视频得出一个数。表格给出的是各视频的中位数，所以一场三小时的讲座和一段五分钟的片段分量相同。
• 最低要求。每个视频至少 2 分钟的语音，一种语言至少 100 个视频，一个类型或主题至少 100 个，某一语言内的某一类型至少 50 个。

我们排除了什么

剩下 11,017 个测量过的视频，其中 10,446 个属于公布的 14 种语言。有两项设置影响最大：停顿下限（视频通常速度的一半）和离群值界限。把下限改为 0.4 或 0.6，没有任何一种语言的中位数变化超过每分钟 2 词；去掉离群值界限，也没有任何变化。

与 YouTube 对照检查

2026 年 10 月 31 日，我们从测量过的视频中随机抽取了 112 个，每种语言 8 个，并下载了 YouTube 自己的语音识别字幕。其中 6 个视频已经没有这条轨道。对其余 106 个：

上述规则是在这次检查之前定下的。此前对另一批样本做的检查，让我们发现了其中两条：字幕段落很短的视频丢掉了三分之一或更多的词，而超过 100 个词的段落里有重复的文字。

局限

• 这些都是 YouTube 视频。许多有脚本、经过剪辑，而剪辑会去掉停顿，所以比房间里没有脚本的讲话要快。
• 样本是访问者让我们转写的视频，不是从 YouTube 随机抽取的。英语和俄语占测量视频的 63 %。
• 自动字幕在噪音和多人抢话时会漏词，每漏一个词，语速就略低一点。
• 我们分不出自动字幕和人写的字幕，两者都在样本里。
• 许多视频有不止一位说话人。语速属于这个视频，而不是某一个人。
• 2026 年 10 月 20 日 13:56 UTC 之后创建的文字稿不在这一版里。那天给字幕加标点的步骤发生了变化，在许多较新的文字稿里，它重复或丢掉了一些行，所以我们把整个时间段都排除了。

使用这些数字

讲话时间计算器和提词器，在有数据的情况下，会以你所在页面语言的中位数为起点，你也可以修改语速。字数统计器也用同一个中位数来估算讲话时间。

相关内容

• 浏览文字稿库
• YouTube 文字稿生成器
• 关于 SozAI