Quando separar as vogais e quando mantê-las juntas
A maioria das pessoas que lida com processamento de texto em português erra aqui, não por falta de regra, mas por excesso de exceções. Ditongo e hiato são conceitos básicos, mas a linha entre eles é mais tênue do que os manuais indicam, especialmente com ditongos abertos e encontros vocálicos que variam conforme a variante da língua. Eu passei semanas refactorando um sistema de tokenização fonética porque o padrão inicial classificava errado palavras como "paixão" versus "caiu". O problema não era a teoria, era a implementação com expressões regulares mal calibradas para o português brasileiro contemporâneo.
Como identificar dia hiato ou ditongo na prática
A regra curta é: ditongo é quando duas vogais estão na mesma sílaba, hiato é quando ficam em sílabas separadas. Mas essa definição só funciona para exemplos didáticos. Na prática, você precisa olhar para a tonicidade e para a sequência consonantal que pode estar no meio. Ditongo oral decrescente: vogal forte seguida de vogal fraca na mesma sílaba, como em "péi" (não existe, mas ilustra) ou melhor, "céu". O /e/ é aberto e tônico, o /u/ fecha o ditongo sem ser sílaba própria. Ditongo oral ascendente: a vogal fraca vem antes da forte, como em "quase" — /a/ + /e/ tônico, tudo numa única unidade silábica.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Hiato acontece quando o /i/ ou /u/ tônicos vêm isolados, como em "sa-í-da" ou "p-er-i-ódico". Aqui as vogais se separam porque cada uma ocupa sua própria posição silábica. O truque é verificar se há uma consoante entre elas ou se a divisão silábica as separa naturalmente. Meu workaround real foi criar uma tabela de consulta com mais de 400 palavras de teste e rodar um script Python que comparava a segmentação silábica do PySyllable com minha regex customizada. A divergência mais frequente aparecia em hiatos com /i/ e /u/ átonos seguidos de consoante, tipo "fei-u-ra", onde o processador padrão tendia a juntar indevidamente.
Armadilhas que quase ninguém menciona
O primeiro erro clássico é tratar /lh/, /nh/, /rr/, /ss/ como bloqueadores de ditongo quando na verdade eles apenas forçam a separação silábica, criando hiatos artificiais. A palavra "ag-ua" parece um ditongo, mas é hiato porque o /g/ e o /h/ gutural separam as vogais. O segundo erro é ignorar a variação dialetal. Em algumas regiões do Brasil, "feiúra" pronuncia-se com ditongo, em outras com hiato. Sistemas automatizados precisam de flags configuráveis, senão a classificação fica errada para uma fatia significativa dos usuários.
Para quem precisa de um recurso pronto, o pacote silabas-pt-br no PyPI faz a segmentação corretamente na maioria dos casos. Baixe com pip install silabas-pt-br. Ele usa regras baseadas no manual ortográfico de 2009 e lida bem com aquirisma, mas falha em neologismos e nomes próprios estrangeiros adaptados. Nesse caso, o fallback é construir um dicionário local com as exceções que seu domínio de texto apresentar. A desvantagem desse pacote é o tempo de processamento em lotes grandes. Para textos acima de 100 mil palavras, o overhead pode triplicar em relação a uma regex simples, ainda que a regex simples erre mais. Se o throughput for crítico, o ideal é pré-carregar o dicionário interno e pular as verificações de borda para palavras já mapeadas.
