Para ter fluência conversacional em italiano, você precisa de aproximadamente 3.000 famílias de palavras de alta frequência, o que cobre cerca de 95% das palavras usadas na fala e na escrita do dia a dia. Ler romances e jornais sem dicionário exige cerca de 8.000-9.000 famílias (Nation, 2006). O italiano é um dos idiomas mais bem documentados nessa questão, porque a linguística italiana tem uma longa tradição de definir com exatidão quais palavras formam o núcleo utilizável.
O que conta como uma palavra em italiano#
Qualquer número de vocabulário não quer dizer nada até você definir a unidade. A mesma página de italiano dá quatro respostas diferentes.
| Unidade | Definição | Exemplo em italiano |
|---|---|---|
| Token | Cada palavra do texto corrido, contada a cada ocorrência | parla, parla, parliamo = 3 tokens |
| Tipo | Cada forma escrita distinta, contada uma vez | parla, parliamo = 2 tipos |
| Lema | Uma palavra-base mais suas formas flexionadas | parlare cobre parlo, parli, parlava, parlerò, parlato |
| Família de palavras | Um lema mais suas derivações transparentes | parlare mais parola, parlante, parlata, riparlare |
A flexão do italiano é rica. Um único verbo regular tem bem mais de quarenta formas conjugadas entre tempo, modo e pessoa, substantivos e adjetivos levam gênero e número, e os pronomes clíticos se fundem aos verbos, de modo que dirglielo é um único token escrito contendo um verbo e dois pronomes. Sufixos alterativos multiplicam ainda mais as formas: casa vira casetta, casona, casaccia sem acrescentar nenhum conceito novo. É por isso que uma meta como “3.000 palavras em italiano” sempre significa 3.000 lemas ou famílias, nunca 3.000 formas escritas.
A própria resposta da Itália: o vocabolario di base#
O italiano tem um ponto de referência incomumente concreto. O linguista Tullio De Mauro compilou um vocabolario di base, depois revisado como o Nuovo vocabolario di base della lingua italiana (2016), descrevendo um núcleo de cerca de 7.000 palavras dividido em três faixas: uma faixa fondamentale de cerca de 2.000 itens que aparecem o tempo todo, uma faixa de alto uso com mais alguns milhares de palavras comuns, mas menos onipresentes, e uma faixa de alta disponibilità com palavras que todo mundo conhece mas raramente escreve, como objetos domésticos.
O próprio De Mauro afirma que a faixa fondamentale sozinha responde pela grande maioria das palavras de um texto corrido em italiano comum, e que o núcleo completo cobre a esmagadora maioria da comunicação geral. Isso bate de perto com a pesquisa internacional sobre cobertura mostrada mais abaixo, alcançada de forma independente a partir de outra tradição, o que é um bom sinal de que os números não são um artefato de um único método. O trabalho anterior de De Mauro com o corpus LIP de italiano falado (1993) mostra o mesmo ponto para a fala.
Os limiares de cobertura por trás de “fluente”#
A pesquisa sobre vocabulário não mede a fluência diretamente. Ela mede a cobertura: a porcentagem de palavras de um texto que você já conhece. Uma cobertura de 95% costuma ser descrita como o piso para uma compreensão adequada, quando o leitor consegue inferir o restante pelo contexto (Laufer, 1989), ou seja, aproximadamente uma palavra desconhecida a cada vinte. Uma cobertura de 98% é o nível que Hu e Nation (2000) associaram à leitura independente, em que o dicionário se torna opcional em vez de necessário, ou seja, aproximadamente uma palavra desconhecida a cada cinquenta.
A análise de Nation, de 2006, situou o vocabulário necessário para chegar a esses 98% em cerca de 8.000-9.000 famílias de palavras para texto escrito e cerca de 6.000-7.000 para a linguagem falada. A fala reaproveita um núcleo mais estreito, por isso quem está aprendendo consegue conversar com conforto bem antes de conseguir aproveitar um romance.
Quanto texto as 1.000, 2.000 e 5.000 palavras mais frequentes cobrem#
A frequência é desigual em todos os idiomas estudados, um padrão que Zipf descreveu em 1949. Um pequeno grupo de palavras aparece em quase toda frase, e uma cauda muito longa quase nunca aparece.
| Famílias de palavras mais frequentes | Cobertura aproximada do texto | O que costuma destravar |
|---|---|---|
| 1.000 | ~80-85% | Italiano de sobrevivência, a ideia geral de uma conversa simples |
| 2.000 | ~90% | Trocas do dia a dia com lacunas; leituras graduadas |
| 3.000 | ~95% | Fluência oral confortável; a maioria dos temas do dia a dia |
| 5.000 | ~96-97% | Notícias simplificadas, filmes legendados com contexto |
| 8.000-9.000 | ~98% | Romances e jornais sem edição, lidos por prazer |
A faixa mais alta do italiano é formada por palavras funcionais e verbos de uso constante: di, che, e, il, essere, avere, fare, potere, dire, andare. Essas poucas centenas de itens são inevitáveis e, por isso, o melhor investimento possível. O lado inverso é a metade desanimadora: passar de 95% para 98% significa adquirir vários milhares de palavras cada vez mais raras, cada uma encontrada apenas ocasionalmente. Os retornos decrescentes já vêm embutidos na distribuição, o que também explica por que as metas de vocabulário do espanhol caem quase exatamente na mesma faixa, apesar de virem de uma tradição de corpus diferente.
Falantes de inglês ganham uma vantagem parcial graças ao latim. Palavras como sufficiente, considerare e tradizione são transparentes à primeira vista, e o italiano formal ou acadêmico costuma ser mais fácil para um leitor de inglês do que o italiano coloquial. Essa vantagem desaparece na fala, e vem acompanhada de falsos cognatos: camera é quarto, fattoria é fazenda, e morbido significa macio.
Vocabulário do italiano por nível do CEFR#
O CEFR descreve o que o aluno consegue fazer e não especifica nenhum tamanho de vocabulário. As faixas abaixo combinam a pesquisa sobre tamanho de vocabulário (Milton, 2009) com o formato das listas-base do italiano, e devem ser lidas como orientação, não como exigência.
| Nível do CEFR | Famílias de palavras aproximadas | O que costuma sustentar |
|---|---|---|
| A1 | 500-1.000 | Cumprimentos, números, pedidos, dados pessoais simples |
| A2 | 1.000-2.000 | Trocas rotineiras, narração no passato prossimo, textos curtos e simples |
| B1 | 2.000-3.000 | Situações de viagem e trabalho, fala padrão clara, leituras graduadas |
| B2 | 4.000-5.000 | Discussão abstrata, leitura de jornais com buscas ocasionais no dicionário |
| C1 | 6.000-8.000 | Uso profissional e acadêmico, a maior parte da literatura |
| C2 | 9.000-10.000+ | Nível quase nativo, incluindo expressões idiomáticas, registro e cor regional |
Por que todo número aqui é uma estimativa#
Desconfie de números que parecem precisos demais. A unidade é a alavanca mais importante, já que contar famílias em vez de formas flexionadas pode reduzir drasticamente um total em italiano. O corpus vem em seguida, porque uma lista extraída de uma coleção de legendas como a OpenSubtitles pondera o vocabulário conversacional de um jeito bem diferente de uma lista construída a partir de la Repubblica ou da literatura do século XX. Conhecer uma palavra não é algo binário, então o vocabulário passivo sempre fica à frente do ativo. E cobertura não é compreensão: você pode conhecer 98% das palavras de um contrato de aluguel em italiano e ainda assim entender tudo errado. A Itália acrescenta mais uma complicação, já que o uso regional e o vocabulário dialetal variam o suficiente para que uma conversa em Milão e outra em Nápoles não recorram às mesmas listas.
Como construir de fato um vocabulário de italiano desse tamanho#
Listas de palavras sozinhas são lentas, e o efeito se perde com o tempo. Dois mecanismos com evidências reais por trás funcionam muito melhor juntos.
Volume de leitura compreensível. A Hipótese do Input de Krashen (1985) sustenta que adquirimos um idioma ao entender mensagens um pouco acima do nosso nível atual. Ler em italiano algo que você consegue acompanhar na maior parte do tempo coloca as famílias de alta frequência diante de você repetidamente, em contexto, e é assim que uma forma reconhecida vira uma palavra conhecida. O argumento e seus limites estão em o que é input compreensível.
Revisão programada. Revisar em intervalos cada vez maiores combate a curva do esquecimento que Ebbinghaus publicou em 1885 de um jeito muito mais eficiente do que reler, um achado confirmado em dezenas de experimentos revisados por Cepeda e colegas em 2006. O argumento a favor da repetição espaçada explica como esse cronograma funciona na prática.
O LingoBlend foi criado em torno dessa combinação. Cole um artigo em italiano, um capítulo ou uma receita, ajuste a porcentagem de blend, e palavras do idioma-alvo são tecidas no texto que você já entende: o diglot weave de Burling, de 1968, com um motor de IA por trás. Toque em uma palavra mesclada e você vê o significado, a gramática e a forma base dela, de modo que avrei detto remete a dire em vez de ficar nas suas anotações como uma órfã. As palavras salvas entram em uma fila de repetição espaçada SM-2 e alimentam cinco jogos de revisão. O guia para aprender italiano é um bom lugar para começar.