자국 제작 영화·드라마 자막 코퍼스(1,303만 토큰)를 lemma 단위로 집계해 누적 토큰 커버리지 55/60/70/80%에 도달하는 lemma 수를 R1~R4 경계로 삼는다. R1 156 lemma가 회화의 55.44%를 덮고, 이 시점에서 러시아어 문법 시스템(격·동사 활용·양태)이 한 바퀴 닫힌다는 것이 설계 명제다.

• 자국 코퍼스 규모 2,428작품 · 자막 3,589 · 13,025,903 토큰 · 3,013,631 발화
• 챗 코퍼스 발화 수 10,464,891
• R1 누적 토큰 커버리지 55.44%
• R1 156 lemma로 100% 커버되는 문장 raw 494,713 (16.42%) · unique 표면형 96,573
• R1+R2 문법 골격 단어 81 (대명사 12·전치사 18·접속사 17·불변화사 21 등)
• R1 동사 활용 분류 26개 (1식 규칙 4·2식 규칙 4·1식 변형 7·2식 변형 3·불규칙 8)
• 목표 학습 문장 수 R1 300 + R2 500 + R3 500 + R4 1,000 = 2,300
• R1 격 시스템 슬롯 158
• 앱 cliff 에셋 lemma 수 L1 156 · L2 95 · L3 434 · L4 1,300

근거 메모: notes/02_statistics/key_numbers.md 본표: POS 구분 누적 lemma R1 156(55%)·R2 251(60%)·R3 685(70%)·R4 1,985(80%), R5는 Top5000 미도달. 같은 메모 괄호 주석(POS 무시 unique lemma): R1 151·R2 94·R3 429·R4 1,275. app/README.md는 'R1 156 + R2 95'로 R2 증가분을 95로 표기. 앱 에셋 assets/data/cliff/l1~l4_lemma.tsv 행수 = 156/95/434/1,300(구간별 증가분, 누적 156/251/685/1,985와 일치).

단어 cliff는 회화 코퍼스를 jieba로 분절한 토큰 빈도의 누적 커버리지 55/60/70/80% 경계(R1 433 → R4 2,500). 이 앱만의 차별화는 '한자 cliff'로, 회화에 등장하는 한자 빈도를 별도 집계해 209자만으로 청취 89%에 도달함을 회화 시작점으로 삼는다.

• 빈도 wordset Top 2,500

근거 메모: README.md 단어 cliff(jieba 토큰): R1=433 / R2=616 / R3=1238 / R4=2500, Top1k = 59.9%. 별도로 한자 cliff(README.md): Phase1 100자 79% / Phase2 209(216)자 89% / Phase3 300자 94% / Phase4 387자 95%, 자유 회화 단어 727+·한자 824+. docs/PORTING_GUIDE_2026-09.md 1-5의 회화 코퍼스 한자 커버율은 107자 80% · 206자 90% · 359자 95% · 517자 97% · 682자 98%로 README 값과 소폭 상이.

일본 드라마·애니·영화 자막 12,277편 빈도 목록 top 2,500을 기준으로 누적 커버리지 55/60/70/80%에 도달하는 순위를 R1~R4 경계로 삼는다. R1 294어가 조사·종조사·인칭·기초동사 등 기능어 위주의 회화 골격이며, 단어 안에서 추출한 한자를 같은 구간으로 나눠 한자 cliff(R1 140자 → R4 누적 1,078자)도 병행한다.

• 회화 빈도 자산 한자 1,078 · 단어 2,500 (R1~R4 라벨)
• top1000 누적 커버리지 70.3% (17개 언어 중 4위권)

근거 메모: data/corpus/ja_cliff_summary.md(자동 생성): R1 1~294(55.20%) / R2 295~437(60.22%) / R3 438~998(70.23%) / R4 999~2500(80.26%), 구간별 단어 수 294·143·561·1,502. data/notes/cliff-report.md·overview.md: R4 = 999~2,436(80% 도달어 2,436), overview 현재상태 표는 R4=2,500. 한자 cliff(ja_cliff_summary): R1 140 / R2 누적 226 / R3 507 / R4 1,078자.

명시적 절벽 단계는 없지만 빈도 단어 2,500개에 누적 커버리지(cum_pct)가 붙어 있어, 상위 100 단어만으로 말뭉치의 절반 가까이(47.6%)가 보인다는 점을 보여 준다.

• 조사·어미 19개 (누적 빈도순)
• 빈도 단어 2,500개 (Top2500 누적 79.8%)

근거 메모: R1~R4 구간 구조 없음. 빈도 단어의 누적 커버리지만 존재: Top100 47.6% · Top500 64.2% · Top1000 71.1% · Top2000 77.8% · Top2500 79.8% (assets/seed/vocab.json)

자체 수집 태국 구어 자막 코퍼스(50편, 260,333 토큰)를 pythainlp로 분절해 누적 커버리지 55/60/70/80/90%에 도달하는 단어 수를 R1~R5로 잡는다. R1 109단어에 종결사 17·대명사 14·상/양태 9가 몰려 있어, 러시아어의 '격' 자리를 태국어에서는 '종결사(존비)·대명사(레지스터)·상표지'가 대체한다.

• 구어 코퍼스 50편 · th-ko 41,141쌍 → 정렬 필터 후 28,774 클린쌍 · 260,333 토큰
• R1~R4 tier 단어 수 642 (R1 109 · R2 +40 · R3 +146 · R4 +347)
• 큐레이션 문장 2,200 (R1 200 · R2 500 · R3 500 · R4 1,000) → 앱 chunks 2,200
• 단어장 규모 중요 1,000단어(회화 빈도 937) + 표준 단어 2,115 = 3,052 · README 표기 통합 단어장 4,700+

근거 메모: corpus/HANDOFF.md: R1=109 / R2 누적 149 / R3 295 / R4=642 / R5=1,665 (pythainlp newmm 분절 단어 기준). corpus/th_pos_breakdown.md는 구간별 증가분 R1 109·R2 40·R3 146·R4 347(합 642)로 표기 — 누적값과 일치. 큐레이션 문장 목표는 REPORT_sufficiency_and_classification.md 기준 R1 200/R2 500/R3 500/R4 1,000=2,200, HANDOFF.md 기준 R1 300/R2 500/R3 500/R4 1,000=2,300로 상이.

공개 말뭉치 빈도로 추린 몽골어 lemma를 4단계 절벽으로 나눈다. 골격 120개만 익혀도 회화의 절반이 보이고, 210개에서 실제 회화 진입 임계점을 넘긴 뒤 여행·감정 어휘로 확장한다는 설계.

• cliff lemma 250개 (120/90/20/20)
• 생존 200 검수 커버리지 200문장 · 토큰 2,761 · OOV 49 · 커버리지 98.2%

근거 메모: 앱 내 명칭은 R이 아닌 L1~L4(+L5 준비 중). assets/data/cliff/l1~l4_lemma.tsv 실측 120/90/20/20 = 250 lemma. 그러나 main_screen.dart 문구는 'L1~L4 lemma 1,985개'라고 표기 — 값 불일치

zh의 한자 절벽에 대응하는 '어근 절벽'(어근 N개 → 청취 커버리지)을 설계했으나 아직 코퍼스 실측 전. 현재 앱의 R1~R4는 빈도 단어 구간 필터로만 존재하며 placeholder 데이터 상태.

• 빈도 단어 120행 (R1 100 / R2 20, placeholder)

근거 메모: R1~R4는 빈도 단어 구간 필터 명칭. 실측 csv는 120행뿐이며 R1 100 / R2 20, R3·R4 데이터 없음, cum_pct 전부 0 (코퍼스 실측 전 placeholder). 어근 cliff(04_root_cliff.py)는 계획 단계

스페인어판 cliff는 두 갈래다. 단어 cliff는 zh와 같은 R1~R4 구간 스키마(빈도 CSV region 칼럼)이고, 동사 cliff는 핵심 동사 30→100→300 단계로 회화 커버리지를 실측하려는 계획이다. 현재 데이터는 빈도 200개(수동 샘플)·동사 30개까지만 있어 R3/R4·동사 100/300은 미착수.

• 빈도 단어 200개 (R1 190·R2 10 / A1 153·A2 40·B1 7)

근거 메모: zh의 '단어 cliff'(R1=433/R2=616/R3=1238/R4=2500) 스키마를 그대로 가져왔으나 es는 200단어 수동 샘플 단계 — R1/R2 경계는 실측이 아님. 별도로 '동사 cliff'(핵심 동사 30→100→300 회화 커버리지)를 차별화 IP 후보로 계획(TBD).

프랑스어판은 아직 단어 cliff 데이터가 없다. es와 같은 R1~R4 region 스키마의 빈도 화면은 열리지만 CSV가 비어 있어 구간 분석은 미착수.

• 빈도 단어 0행 (헤더만)

근거 메모: 빈도 CSV(lang_es_top.csv)는 헤더만 있고 0행 — R1~R4 구간 데이터 없음. 스키마(rank/region/cefr)와 화면만 es에서 상속.

이탈리아어판은 아직 단어 cliff 데이터가 없다. es와 같은 R1~R4 region 스키마의 빈도 화면은 열리지만 CSV가 비어 있어 구간 분석은 미착수.

• 빈도 단어 0행 (헤더만)

근거 메모: 빈도 CSV(lang_es_top.csv)는 헤더만 있고 0행 — R1~R4 구간 데이터 없음. 스키마(rank/region/cefr)와 화면만 es에서 상속.

절벽 단계 대신 빈도 순위 5,000 단어를 500·1000·2000·3000·4000·5000 구간으로 잘라 6개 코스에 배분한다. 회화 문장(80턴)은 코스 2~4에 섞여 들어간다.

• 빈도 단어 구간 Top500 500 · Top1000 500 · Top2000~5000 각 1,000

근거 메모: R1~R4 명칭 없음. 대신 빈도 구간 카테고리 Top500(500)·Top1000(500)·Top2000(1000)·Top3000(1000)·Top4000(1000)·Top5000(1000) = 5,000 단어, 코스 1~5 각 1,000~1,020 항목 + 코스 6 20항목

힌디어는 상위 1,000단어로 누적 48.6%밖에 덮지 못해 17개 언어 중 절벽이 가장 완만한(=핵심 어휘가 넓게 퍼진) 축에 든다. 비례 R1은 229단어(전체 9.2%)로 R1 순위 7위이나, 절대 누적 50% 도달에는 1,218단어가 필요하다. 앱에는 아직 빈도 CSV가 비어 있어 이 수치는 앱 밖 분석 메모에만 있다.

• 빈도 단어 0 (CSV 헤더만)

근거 메모: ja/data/corpus/all17_cliff_summary.md 표3 — 자체 max 55.1%를 80%로 비례 매핑한 R1~R4 단어 수(R1≈55%·R2≈60%·R3≈70%·R4≈80%). 2,500단어 코퍼스, top10 누적 12.3%, top1 मैं. 50% 도달 1,218단어, 55% 2,472단어, 60% 이상 미도달.

터키어는 교착어라 어형이 많아 상위 1,000단어 누적이 45.9%에 그치고, 비례 R1이 520단어(전체 20.8%)로 한국어 다음으로 크다. 즉 '조금만 외워도 대화가 뚫리는' 절벽이 없고 어미 활용 학습이 어휘보다 먼저 와야 한다. 앱 빈도 CSV는 아직 비어 있다.

• 빈도 단어 0 (CSV 헤더만)

근거 메모: ja/data/corpus/all17_cliff_summary.md 표3 — 자체 max 56.4%를 80%로 비례 매핑. 2,500단어 코퍼스, top10 누적 10.0%, top1 ve. 50% 도달 1,427단어, 55% 2,218단어, 60% 이상 미도달. R1 크기 순위 17개 중 16위(520단어, 20.8%).

헝가리어 절벽 구간은 아직 계산되지 않았다. 분석 메모의 출처표에는 '혼합 빈도표 혼합 코퍼스' 대상으로 hu가 적혀 있으나 결과 표에는 빠져 있고, 앱의 빈도 단어 파일은 헤더만 있다.

• 빈도 단어 0 (CSV 헤더만)

근거 메모: 헝가리어는 17개 언어 절벽 분석 표(all17_cliff_summary.md)에 없고 앱 빈도 CSV도 비어 있어 R1~R4 미산출.

포르투갈어판은 아직 단어 cliff 데이터가 없다. es와 같은 R1~R4 region 스키마의 빈도 화면은 열리지만 CSV가 비어 있어 구간 분석은 미착수.

• 빈도 단어 0행 (헤더만)

근거 메모: 빈도 CSV(lang_es_top.csv)는 헤더만 있고 0행 — R1~R4 구간 데이터 없음. 스키마(rank/region/cefr)와 화면만 es에서 상속.

독일어판은 아직 단어 cliff 데이터가 없다. es와 같은 R1~R4 region 스키마의 빈도 화면은 열리지만 CSV가 비어 있어 구간 분석은 미착수.

• 빈도 단어 0행 (헤더만)

근거 메모: 빈도 CSV(lang_es_top.csv)는 헤더만 있고 0행 — R1~R4 구간 데이터 없음. 스키마(rank/region/cefr)와 화면만 es에서 상속.

절벽·빈도 데이터가 아직 없다. 스페인어 앱 템플릿을 그대로 복사한 빈 구조에 2026-09-11자 초안 콘텐츠만 투입된 상태.

• 빈도 단어 0행

근거 메모: 절벽 구조 없음. 빈도 csv(lang_es_top.csv — es 템플릿 파일명 그대로)는 0행

남부 드라마 방송 음성 ASR 전사와 자막 코퍼스를 음절 단위로 집계해 누적 커버리지 55/60/70/80/90%에 도달하는 음절 수를 R1~R5로 잡는다. R1 76~89 음절 안에 호칭 18개와 주요 종결사 대부분이 들어와 일반 자막 코퍼스보다 2.7배 가파른 절벽을 이루며, 이것이 '호칭+종결사 축' 설계의 근거다.

• 균형 코퍼스 ASR 73편 + 자막 42편 = 523k 토큰 · 5,649 고유음절
• R1 문장 카드 299문장 (1~4단계 R1 200 + 5~8단계 플러팅 99) · 호칭 프리셋 5
• 호칭 변형 DB R1 104문장 × 코어 5 = 520
• R2 챗 대화 50세트 × 8줄 (목표 50 달성)
• 기능어 9부류 (R1~R4 핵심 320단어 중)
• 목표 학습 문장 수 R1 300 + R2 500 + R3 500 + R4 1,000 = 2,300

근거 메모: corpus/HANDOFF.md(균형 코퍼스 ASR 73편+자막 42편, 523k 토큰 음절 기준): R1=89 / R2 누적 115 / R3 199 / R4=362 / R5=762. corpus/analysis_vi/vi_R1_R4_design.md(vi_R_tiers.csv 기준): R1 76 / R2 ≈127 / R3 ≈170 / R4 ≈320. ru 작업폴더 analysis_vi/vi_cliff.md(드라마 ASR 161편만, 588k 토큰): 55%=77 / 60%=99 / 70%=171 / 80%=312, 참고로 일반 자막 코퍼스는 R1 244·80% 783.

영어는 17개 언어 중 절벽이 가장 가파른 축(R1 154단어로 3위, 626단어로 누적 80%)이지만, Grab 앱은 빈도 어휘가 아니라 '구문 경계 듣기'에 초점을 두므로 이 수치는 앱에 반영돼 있지 않다.

근거 메모: ja/data/corpus/all17_cliff_summary.md 표3 — 영어 3,000단어 코퍼스, max 91.6%, top10 누적 19.6%, top1 the. 50% 도달 72단어, 80% 도달 626단어. Grab 앱 자체는 빈도·절벽 개념을 쓰지 않음.

절벽 구간 미산출. 미얀마어는 17개 언어 일괄 분석(all17_cliff_summary.md)에 없고, 앱도 빈도 데이터도 없다.

• 원천 코퍼스 보유량 약 3.0GB (자막 85.9MB · 일반 텍스트 2.9GB · 원본 tar.gz 1.9MB · 어휘 등급 메모 436B)

근거 메모: 미얀마어는 절벽 분석 대상 17개 언어에 포함되지 않아 R1~R4 없음.