Wie viele Wörter brauchst du, um native Videos zu verstehen?
Mit den 5.000 häufigsten englischen Wörtern kennst du im typischen native Clip 95,6 % der Wörter. Für Spanisch brauchst du rund 6.800 Wörter für 95 %, und in 13 von 23 Sprachen reichen selbst 10.000 nicht. Daten aus 35.615 native Clips, pro Sprache und pro Niveau.
Chief Language Geek @ Reelang
Wenn du die 5.000 häufigsten englischen Wörter kennst, sind im typischen englischen native Clip 95,6 % der Wörter bekannt, und 58,4 % der Clips erreichen 95 %: genau das Niveau, ab dem Hörstudien von gutem Verstehen sprechen. Für Spanisch braucht der typische Clip etwa 6.800 Wörter für 95 %, und in 13 der 23 gemessenen Sprachen reichen 10.000 Wörter nicht.
Die Zahlen stammen aus 35.615 native Clips in 23 Sprachen aus dem Reelang-Katalog, Wort für Wort gegen eine Frequenzliste pro Sprache gezählt. Wähle unten eine Sprache und einen Wortschatzumfang und sieh, was dir das bringt.
Die ersten 1.000 Wörter leisten die meiste Arbeit
Worthäufigkeit ist ungleich verteilt. Ein paar hundert Wörter (the, and, is, you, que, de) machen einen großen Teil von allem aus, was gesagt wird, und jedes Wort weiter unten in der Liste kommt seltener vor. Dieses Muster heißt Zipfsches Gesetz und gilt in jeder Sprache hier.
Über die 18 Sprachen hinweg, die ich ohne Einschränkung einordnen kann, deckt die Top-1.000 im typischen Clip 80,7 % ab, die Top-2.000 86,7 % und die Top-5.000 92,4 %. Die ersten tausend Wörter bringen dich auf vier bekannte Wörter von fünf. Die nächsten viertausend legen etwa zwölf Punkte drauf.
Die Schwellen, auf die es beim Hören ankommt, liegen in diesen letzten Punkten. Zwei davon tauchen in der Forschung immer wieder auf:
- 95 %, ein unbekanntes Wort von 20. Batia Laufer schlug das 1989 fürs Lesen vor. Fürs Hören fanden van Zeeland und Schmitt (2013), dass die meisten Hörer schon bei 90 % zurechtkamen und dass Zweitsprachhörer bei 95 % gut verstanden, mit viel weniger Unterschieden untereinander.
- 98 %, ein unbekanntes Wort von 50. Hu und Nation (2000) fanden, dass Lernende, die allein Romane lesen, ungefähr so viel für ausreichendes Verstehen brauchen.
Bei 150 Wörtern pro Minute, also normalem Sprechtempo, bedeuten 95 % etwa sieben unbekannte Wörter pro Minute (Nation, 2006). 98 % bedeuten drei. Diesen Unterschied kannst du in der Demo unten spüren. Sie nutzt echte Sätze aus Clips der Studie und blendet jedes Wort aus, das nicht in den von dir gewählten Top-Wörtern steckt.
Mit 2.000 Wörtern sind im Frikadellen-Satz 58,3 % bekannt: albóndigas, parmesano, rallado und orégano stehen gar nicht in der Liste, und perejil (Petersilie) liegt auf Rang 13.520. Der Satz über die Katze ist bei denselben 2.000 Wörtern zu 96,2 % bekannt. Beide Clips sind auf Spanisch und beide sind als A2 eingestuft.
Englisch und Spanisch in Zahlen
Englisch. Der typische Clip erreicht 90 % bei 2.021 Wörtern, 95 % bei 4.462 Wörtern und 98 % bei 9.403 Wörtern. Mit 3.000 Wörtern liegen 24,9 % der englischen Clips bei 95 % oder mehr. Mit 5.000 Wörtern sind es 58,4 %, und 15,2 % liegen bei 98 % oder mehr.
Spanisch. Der typische Clip erreicht 90 % bei 2.754 Wörtern und 95 % bei 6.781 Wörtern. 98 % erreicht er innerhalb von 10.000 Wörtern nicht. Mit 3.000 Wörtern liegen 10,8 % der spanischen Clips bei 95 % oder mehr. Mit 5.000 Wörtern sind es 32,0 %.
Für Spanisch heißt das: Wer 3.000 Wörter kann, findet etwa einen Clip von zehn, in dem 95 % der Wörter vertraut sind. Das ist ein echter Fundus zum Lernen, denn die Wörter, die du noch nicht kennst, stehen mitten zwischen Wörtern, die du kennst. Dieser kolumbianische Clip gehört dazu: 88,4 % seiner Wörter stehen in der Top-1.000 und 96,3 % in der Top-2.000.
Die Wörter zu kennen ist nicht dasselbe, wie sie zu erwischen. Die Sprecher in diesem Clip reden im Median mit 243 Wörtern pro Minute, viel schneller als eine Lehrbuchaufnahme. Die Wortabdeckung sagt dir, ob du das Transkript verstehen könntest. Sie sagt dir nicht, ob du beim Tempo mitkommst.
Flache und steile Sprachen
Die Kurven haben nicht alle dieselbe Form. Im Dänischen, Schwedischen und Niederländischen deckt die Top-1.000 schon 84,4 % bis 86,5 % eines typischen Clips ab, und der Schritt von 1.000 auf 5.000 Wörter bringt nur 8,3 bis 9,3 Punkte. Englisch, Französisch, Spanisch, Portugiesisch und Italienisch legen im gleichen Bereich 11,5 bis 12,6 Punkte zu. Die steilsten Kurven haben Indonesisch (+20,8), Ukrainisch (+18,3), Arabisch (+18,1), Russisch (+16,5), Finnisch (+15,3), Türkisch (+15,2) und Polnisch (+14,3).
Eine steile Kurve heißt: Die ersten tausend Wörter lassen mehr vom Clip unbekannt, und jedes weitere Tausend ist mehr wert. Ein Teil davon liegt an der Sprache. Ein Teil liegt daran, wie Wörter gezählt werden, und das muss man erklären, bevor man zwei Sprachen vergleicht.
Die Listen hier sind lemmatisiert: dije, dijo und decir zählen alle als ein Wort, decir. Das ist fair gegenüber Spanisch, das viele Verbformen hat. Aber ein Lemmatisierer funktioniert nur, wenn er die Form erkennt. Im Tschechischen, Finnischen, Ungarischen, Russischen und Ukrainischen sind 9,0 % bis 10,8 % der laufenden Wörter eines typischen Clips Formen, die die Liste keinem Lemma zuordnen konnte. Viele davon sind ganz normale Wörter mit einer Kasusendung, die das Werkzeug nicht entfernt hat. Sie zählen hier als unbekannt, also sind die Zahlen für diese fünf Sprachen eine Untergrenze: die echte Abdeckung ist höher. In der Tabelle unten sind sie mit einem Sternchen markiert.
Komposita wirken beim Deutschen, Niederländischen und den nordischen Sprachen ähnlich. Ein deutsches Kompositum wie Küchenschrank zählt als unbekannt, solange nicht das ganze Wort in der Liste steht, auch wenn du beide Teile kennst.
Das Niveau-Label ändert am Wortschatz kaum etwas
Jeder Clip im Katalog hat ein GER-Niveau, gesetzt von einem Modell, das das Transkript liest. Hier sind sie in fünf Stufen gruppiert, von A1 (A0 zählt als A1) bis C1 (C2 zählt als C1). Wenn das Label dem Wortschatz folgen würde, bräuchten höhere Niveaus mehr Wörter. Für die ersten 2.000 Wörter tun sie das kaum. Im Median über die Sprachen (A1 hat in 11 davon genug Clips, C1 in 20) deckt die Top-2.000 84,0 % eines A1-Clips ab, 84,0 % bei A2, 85,2 % bei B1, 86,1 % bei B2 und 84,1 % bei C1.
Am oberen Ende zeigt sich das Niveau dann doch. Mit 5.000 Wörtern kennst du 95 % der Wörter in 30,2 % der A1-Clips, 20,6 % der A2-Clips, 22,6 % der B1-Clips, 15,5 % der B2-Clips und 4,5 % der C1-Clips. Die Länge spielt mit hinein: der mediane C1-Clip im Sample hat 338 laufende Wörter, der mediane A1-Clip 81. Ein kurzer Clip hat weniger Gelegenheiten, ein seltenes Wort zu benutzen.
Die Clips mit der niedrigsten Abdeckung drehen sich meist ums Essen. Von den 25 englischen Clips im Sample mit der niedrigsten Abdeckung bei 2.000 Wörtern sind etwa zwei Drittel Rezepte, Food-Reviews oder Snack-Tests, und 21 sind als A1 oder A2 eingestuft. Im Spanischen geht es bei 11 der niedrigsten 25 ums Essen, und drei sind Kinderlieder. Die Grammatik in einem Rezept ist einfach („Knoblauch dazugeben, umrühren, fertig“), deshalb bekommt es ein niedriges Label. Die Substantive sind es nicht. In der englischen Liste ist garlic Wort 6.395 und tablespoon 11.551. Im Spanischen ist ajo 6.605 und sartén (Bratpfanne) 11.125.
Hier sind zwei englische Clips. Der erste ist ein Filmtrailer mit Label B2: 96,9 % seiner Wörter stehen in der Top-2.000, und er überschreitet 95 % bei 1.300 Wörtern. Der zweite ist ein Slow-Cooker-Rezept mit Label A2: 72,3 % seiner Wörter stehen in der Top-2.000, und er überschreitet 95 % erst bei 11.551 Wörtern, dem Rang von tablespoon.
Einfach ist der Trailer auch nicht, aber aus einem anderen Grund: seine Sprecher reden im Median mit 215 Wörtern pro Minute. Ein Niveau-Label mischt Tempo, Grammatik und Wortschatz in einen Buchstaben, und der Wortschatz-Teil geht dabei verloren. Wenn du zwischen 2.000 und 5.000 Wörter kennst, schau dir neben dem Niveau auch das Thema eines Clips an: Essen, Kochen und Produktgerede benutzen viele Wörter von weit unten in der Liste.
Auch Varietäten unterscheiden sich
Arabisch wird mit einer eigenen Frequenzliste pro Dialekt gemessen. Die anderen Sprachen nutzen eine Liste für alle ihre Varietäten. Mit 2.000 Wörtern ist der typische ägyptisch-arabische Clip zu 86,1 % abgedeckt, der irakische zu 79,6 % und der marokkanische zu 72,5 %. Beim Marokkanischen stehen 9,5 % der Wörter eines typischen Clips gar nicht in seiner Liste, ein Teil dieser Lücke geht also auf die Liste. Im Französischen kommen Clips aus Québec auf 90,6 % gegenüber 87,6 % für Clips aus Frankreich. Brasilianisches Portugiesisch liegt bei 87,4 %, europäisches bei 80,3 %, aber nur 61 europäisch-portugiesische Clips kamen durch die Filter und sie werden gegen eine andere Liste gemessen: nimm diesen Wert also mit Vorsicht.
Wie sich das zu Nations Schätzung verhält
Die bekannteste Zahl für gesprochenes Englisch stammt aus Paul Nations Aufsatz von 2006, „How large a vocabulary is needed for reading and listening?“. Anhand eines Korpus gesprochenen neuseeländischen Englischs fand er, dass 3.000 Wortfamilien plus Eigennamen über 95 % Abdeckung ergeben und dass für 98 % 6.000 bis 7.000 Wortfamilien nötig sind. Webb und Rodgers (2009) kamen bei Filmskripten auf ähnliche Zahlen: 3.000 Familien plus Eigennamen und Randwörter für 95,76 % und 6.000 Familien plus dieselben Extras für 98,15 %.
Meine Zahlen für Englisch liegen höher: 4.462 Wörter, damit der typische Clip 95 % erreicht, 9.403 für 98 %. Nimmt man alle englischen Clips zusammen als einen langen Text, decken 5.000 Wörter 95,1 % ab. Es gibt drei Gründe für die Unterschiede, und keiner davon heißt, dass eine Studie falsch liegt:
- Familien sind größer als Lemmata. Eine Wortfamilie fasst happy, unhappy, happiness und happily zu einer Einheit zusammen. Eine Lemmaliste zählt vier. 3.000 Familien entsprechen also einer größeren Zahl an Lemmata.
- Die Liste ist überwiegend aus geschriebenem Text gebaut. Alltägliche gesprochene Wörter stehen darin tiefer, als du denkst: alright ist Wort 3.102, kinda 2.333 und bye 3.273.
- Kurze Videos bleiben bei einem Thema. Ein zweiminütiges Rezept verbraucht die meisten Wörter auf den Wortschatz eines Themas, während ein langes Gespräch hin und her springt und mehr allgemeine Wörter wiederverwendet.
Was das heißt, wenn du eine Sprache lernst
Die ersten 2.000 oder 3.000 Wörter lohnt es sich gezielt zu lernen, mit einem nach Häufigkeit sortierten Deck oder Kurs. Ab da ist ein echter Teil der native Clips auf 95 % erreichbar, und von dort kannst du viele neue Wörter aus dem Kontext aufschnappen statt aus einer Liste. Christian Lauers Leitfaden für Anfänger zeigt, wie du schnell dorthin kommst.
Danach wähle Clips nach Thema, nicht nur nach Niveau. Wer 3.000 spanische Wörter kann, folgt dem Katzen-Sketch oben mühelos und verliert sich trotzdem im Frikadellenrezept, obwohl beide als A2 eingestuft sind. Und für Tschechisch, Finnisch, Ungarisch, Russisch und Ukrainisch gilt: die Zahlen hier wirken härter, als es wirklich ist. Vieles, was als unbekannt zählt, ist ein Wort, das du kennst, mit einer Endung, die dir noch nicht begegnet ist.
Wenn du mit Clips wie den obigen üben willst: Die Seiten für Spanisch, Englisch und Deutsch listen native Clips nach Niveau, mit denselben Wort-für-Wort-Untertiteln wie die Clips auf dieser Seite. Mehr dazu, warum Verstehen vor Sprechen kommt: wie du aufhörst, im Kopf zu übersetzen.
Wie ich das gemessen habe
Die Clips. Alle Clips waren am 29. September 2026 im Reelang-Katalog und in Rotation: öffentlich sichtbar, mit Sprache, native Inhalte (keine Sprachlektionen), nicht synchronisiert und einsprachig. Pro Sprache habe ich bis zu 500 Clips je GER-Niveau gezogen und jedes Niveau nach seinem Anteil am Katalog gewichtet, damit die Zahlen den Katalog als Ganzes beschreiben. Entfernt wurden Clips mit weniger als 50 Wörtern, Clips mit sich wiederholenden Untertitelzeilen (mehr als 30 % der Zeilen), Clips schneller als 330 Wörter pro Minute Laufzeit und Clips, bei denen mehr als 35 % der Wörter nicht in der Liste der Sprache stehen (meist ein Transkript in der falschen Sprache). Danach blieben 35.615 Clips in den 23 eingeordneten Sprachen mit 13,8 Millionen laufenden Wörtern. Der mediane Clip ist 81 Sekunden lang. 35.600 davon stammen von YouTube, 8 von TikTok und 7 von Instagram.
Die Wörter. Jedes Transkript wird an Leerzeichen und Satzzeichen in Wörter zerlegt, kleingeschrieben und von Ziffern befreit. Jedes Wort wird in einer Frequenzliste seiner Sprache nachgeschlagen, gebaut aus wordfreq 3.1.1 (Speer, 2022): die 25.000 häufigsten Wortformen, per simplemma nach Lemma gruppiert (andere Werkzeuge für Arabisch, Hebräisch und die asiatischen Sprachen) und nach der Gesamthäufigkeit jedes Lemmas sortiert. Formen, die nicht in der Liste stehen, werden ersatzweise mit simplemma lemmatisiert. Eigennamen (großgeschrieben, nicht am Satzanfang, nicht in der Liste) und Randwörter wie uh, mhm und haha zählen als bekannt, wie bei Nation (2006) und Webb und Rodgers (2009). Deutsch schreibt jedes Substantiv groß, und Hindi und Arabisch haben keine Großbuchstaben, diese Sprachen bekommen deshalb keinen Eigennamen-Bonus. Im Englischen zählen Kurzformhälften als volles Wort (didn't zählt als did und not).
Die Zahlen. Abdeckung ist der Anteil der laufenden Wörter eines Clips, deren Lemma unter den Top N ist. Die Prozentwerte oben sind Mediane über die Clips. Für die Werte „Clips bei 95 %“ wird die genaue Schwelle jedes Clips aus seinen eigenen Wortr\u00e4ngen berechnet, es wird also nicht interpoliert. Der Wert „typischer Clip erreicht 95 % bei“ ist der kleinste Wortschatzumfang, bei dem der mediane Clip 95 % überschreitet.
Nicht eingeordnet. Hebräische Präfixe (ve-, ha-, be-, le-) werden nicht abgetrennt, bekannte Wörter zählen deshalb als unbekannt. Tamilische Transkripte sind gesprochenes Tamil, die Liste ist geschriebenes Tamil. Japanisch, Chinesisch und Koreanisch werden nur in Inhaltswörtern gezählt, Vietnamesisch in Silben, ihre Zahlen sind deshalb nicht mit dem Rest vergleichbar. Eine Sprache braucht mindestens 300 Clips, um eingeordnet zu werden. Norwegisch hat 449, jede andere eingeordnete Sprache mehr als 1.000. Die türkische Liste hat nur 9.088 Lemmata, deshalb enden die Diagramme für Türkisch bei 8.000 Wörtern, und „10.000+“ heißt, dass der typische Clip auch mit der ganzen Liste keine 95 % erreicht.
Bekannte Verzerrungen. Die Zahlen beschreiben Transkripte, nicht Audio, Fehler der Spracherkennung zählen also als Wörter. Die Top-N-Wörter perfekt zu können, ist ein Idealfall, und Redewendungen werden nicht als Einheiten gezählt. Das GER-Niveau ist das Urteil eines Modells über das Transkript. Und der Katalog ist für Lernende ausgewählt: er neigt zu Clips mit klarer Aussprache und breitem Reiz, er ist also keine Zufallsstichprobe von allem auf YouTube oder TikTok.
Nutze diese Daten
Du darfst die Diagramme und Zahlen auf dieser Seite gern in eigenen Texten, im Unterricht oder in der Forschung weiterverwenden. Bitte verlinke diese Seite als Quelle.
| Sprache | Clips | 1.000 | 2.000 | 5.000 | 95 %+ | 98 %+ | 95 % bei |
|---|---|---|---|---|---|---|---|
| Dänisch | 1.122 | 86,5 % | 91,1 % | 94,8 % | 47,0 % | 8,4 % | 5.292 |
| Englisch | 2.002 | 83,7 % | 89,9 % | 95,6 % | 58,4 % | 15,2 % | 4.462 |
| Schwedisch | 1.325 | 85,6 % | 89,8 % | 94,0 % | 37,6 % | 5,6 % | 6.768 |
| Niederländisch | 1.841 | 84,4 % | 89,0 % | 93,7 % | 32,2 % | 3,5 % | 7.109 |
| Französisch | 1.961 | 82,7 % | 88,4 % | 94,2 % | 40,1 % | 5,8 % | 5.804 |
| Norwegisch | 449 | 83,5 % | 88,1 % | 93,0 % | 25,0 % | 3,8 % | 9.478 |
| Spanisch | 2.195 | 81,6 % | 87,3 % | 93,5 % | 32,0 % | 5,4 % | 6.781 |
| Portugiesisch | 1.865 | 81,4 % | 87,2 % | 94,0 % | 38,4 % | 7,3 % | 6.121 |
| Rumänisch | 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+ |
| Italienisch | 1.880 | 79,7 % | 85,6 % | 91,9 % | 21,2 % | 2,7 % | 9.269 |
| Türkisch | 1.322 | 77,1 % | 85,6 % | 92,3 % | 25,4 % | 5,5 % | 10.000+ † |
| Deutsch | 1.933 | 80,0 % | 84,8 % | 90,3 % | 11,3 % | 1,1 % | 10.000+ |
| Griechisch | 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+ |
| Arabisch | 1.916 | 73,1 % | 82,2 % | 91,2 % | 17,8 % | 2,7 % | 10.000+ |
| Polnisch | 1.503 | 73,9 % | 81,0 % | 88,2 % | 8,2 % | 1,0 % | 10.000+ |
| Indonesisch | 1.582 | 68,6 % | 80,6 % | 89,4 % | 10,4 % | 2,3 % | 10.000+ |
| Tschechisch * | 1.239 | 73,4 % | 80,0 % | 86,8 % | 3,9 % | 0,5 % | 10.000+ |
| Finnisch * | 1.565 | 71,7 % | 79,3 % | 87,0 % | 3,6 % | 0,8 % | 10.000+ |
| Ungarisch * | 1.732 | 71,7 % | 78,1 % | 84,5 % | 0,4 % | 0,0 % | 10.000+ |
| Russisch * | 1.305 | 70,0 % | 77,8 % | 86,5 % | 2,9 % | 0,1 % | 10.000+ |
| Ukrainisch * | 1.056 | 65,4 % | 73,4 % | 83,7 % | 0,8 % | 0,0 % | 10.000+ |
Spalten 1.000, 2.000 und 5.000: der mediane Anteil der laufenden Wörter eines Clips, der von den Top-1.000, -2.000 oder -5.000 Lemmata abgedeckt wird. 95 %+ und 98 %+: der Anteil der Clips, in denen jemand mit den Top-5.000 Lemmata mindestens 95 % oder 98 % der Wörter kennt. 95 % bei: der Wortschatzumfang, bei dem der mediane Clip 95 % überschreitet (10.000+ heißt: nicht innerhalb von 10.000). * Untergrenze: 9 % oder mehr der Wörter eines typischen Clips konnten der Liste nicht zugeordnet werden, die echte Abdeckung ist also höher. † Die türkische Liste hat nur 9.088 Lemmata: der typische türkische Clip erreicht auch mit der ganzen Liste keine 95 %.
Quellen
- 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 (freier Volltext)
- 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. Eintrag
- 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, freies PDF
- Speer, R. (2022). wordfreq v3.0 [Daten und Software]. Zenodo. doi.org/10.5281/zenodo.7199437. Diese Studie nutzte Release 3.1.1 von 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
Loslegen
Wähl eine Sprache und starte den Feed. Echte gesprochene Sprache, eingestuft nach Schwierigkeit. Kein Quiz, keine Anmeldung.
Sprache wählenWeiterlesen
Verständlicher Input für Anfänger
Verständlicher Input wirkt erst, wenn du folgen kannst, was gesagt wird. Christian Lauer zeigt, wie du schnell dahin kommst und woran du merkst, dass du so weit bist.
Wie du aufhörst, im Kopf zu übersetzen: warum Verstehen vor dem Sprechen kommt
Du hörst auf, im Kopf zu übersetzen, wenn dein Gehirn so viel verständliche Sprache bekommt, dass es das Übersetzen nicht mehr braucht. Übersetzen ist nur ein Notbehelf, den dein Gehirn baut, solange ihm direkte Erfahrung mit der Sprache fehlt. Die Lösung ist kein Trick und keine Willenssache, sondern Menge: Stunden mit echter Sprache, die du größtenteils verstehst, bis dein Gehirn einen direkten Weg vom Klang zur Bedeutung hat und nicht mehr über deine Erstsprache umleitet.
Warum verständlicher Input beim Mandarin-Lernen funktioniert
Verständlicher Input funktioniert bei Mandarin, weil die größten Hürden, Töne, Schriftzeichen und die große Lücke zwischen gesprochener und geschriebener Sprache, alle über das Ohr gelernt werden, nicht über Regeln. Grammatikübungen und Karteikarten zeigen dir Mandarin isoliert. Verständlicher Input zeigt dir Mandarin so, wie Muttersprachler es wirklich sprechen: im Tempo, im Kontext, mit allen tonalen und rhythmischen Mustern.