Junção de vogais em processamento de texto
O processo de junção de vogais parece simples na teoria, mas na prática você descobre rapidamente que existem armadilhas. A gente costuma encarar isso como uma operação básica de normalização fonética, mas os casos de borda aparecem com frequência e quebram scripts ingênuos. Em termos técnicos, a junção de vogais refere-se ao fenômeno em que dois ou mais fonemas vocálicos adjacentes se fundem em um único segmento. Em português, isso aparece principalmente nos ditongos orais e nasais, mas também nos encontros vocálicos que são classificados como hiato. A diferença entre tratar um encontro como ditongo ou como hiato muda completamente a forma como você normaliza o texto.
Como a junção de vogais funciona na prática
O algoritmo básico funciona em etapas. Primeiro você remove acentuação e diacríticos, depois identifica sequências vocálicas adjacentes, e finalmente aplica regras de fusão baseadas no padrão da língua. Mas é aí que a coisa fica complicada, porque as regras variam conforme a variedade linguística e o contexto morfológico. O que muita gente não considera é que vogais idênticas adjacentes têm tratamento diferente de vogais distintas. Se você tem "aa" ou "ee", isso normalmente indica uma fronteira morfológica ou etimológica e não deve ser fundido. Já sequências como "ai", "ei", "oi" seguem padrões bem estabelecidos de ditongação.
No meu trabalho, desenvolvi um pipeline que lida com esse problema para normalização fonética de corpus. O primeiro draft que eu fiz fundia tudo sem verificar o contexto morfológico, e isso gerou centenas de falsos positivos em palavras compostas e prefixadas. Um exemplo concreto: a palavra "cooperar" foi transformada incorretamente porque o "o" final do prefixo e o "o" inicial da raiz estavam sendo fundidos como se fossem um ditongo. A correção que eu encontrei foi adicionar uma verificação de afixação antes da fusão, usando um dicionário de prefixos e sufixos para marcar as fronteiras morfológicas. Outro problema que apareceu com frequência foi a junção de vogais nasais. Em português, a nasalidade muda completamente a percepção fonológica do encontro vocálico. Sequências como "ão", "õe", "ãe" têm comportamento diferente de ditongos orais equivalentes, e muitas bibliotecas de processamento fonético tratam esses casos de forma inadequada porque não consideram o traço de nasalidade na regra de fusão.
Implementação passo a passo
A abordagem que eu recomendo, e uso nos meus próprios projetos, segue esta sequência: Etapa 1: Normalização ortográfica. Remova acentos circunflexos, agudos e til, mas preserve a distinção entre vogais nasais e orais convertendo letras com til em sequências marcadas. "ão" vira "ao#" onde "#" é um marcador de nasalidade que o algoritmo reconhece. Isso evita que a vogal nasal seja confundida com a oral durante a análise de sequências.
Etapa 2: Identificação de encontros vocálicos. Percorra a string caractere por caractere e detecte posições onde duas vogais estão adjacentes. Use uma lista de vogais válida para o português: a, e, i, o, u. Considere também y quando ele atua como vogal em empréstimos. Etapa 3: Classificação ditongo versus hiato. Esta é a parte mais crítica. Se entre as duas vogais não há consoante nenhuma, verifique se a primeira vogal é aberta ou fechada. Sequências de vogal aberta mais vogal fechada tendem a formar ditongo (como "ae" em "caer"), enquanto vogal fechada mais vogal aberta pode ser hiato ou ditongo dependendo do contexto lexicográfico. Aqui o dicionário ajuda, mas se você não tem um disponível, use regras heurísticas baseadas em frequência estatística.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Etapa 4: Aplicação da fusão. Quando um encontro é classificado como ditongo, ele é representado como um único fonema em output fonológico. O mapeamento mais comum é: ai->aj, ei->ej, oi->oj, au->ah, eu->eh, ou->oh para ditongos decrescentes, e ia->ij, ie->ij, io->ij, ua->uh, ue->uh, uo->uh para ditongos crescentes. Note que os ditongos nasais recebem mapeamento diferente: ão->ã#, õe->õ#. Etapa 5: Verificação de contorno morfológico. Antes de aplicar a fusão em uma sequência, verifique se ela não está em uma fronteira morfológica. Palavras como "reação", "cooperar", "mala-martelo" contêm fronteiras entre vogais que não devem ser fundidas. Um dicionário de afixos com cerca de 500 entradas cobre a maioria dos casos em português.
Pitfalls comuns que você vai encontrar
O erro mais frequente é assumir que qualquer par de vogais adjacentes deve ser fundido. Em português, palavras como "atitude", "poesia", "teatral" têm encontros vocálicos que são hiato, não ditongo. Fundir esses casos resulta em formas fonológicas incorretas que quebram downstream tasks como segmentação morfológica e correspondência fonêmica. Outro problema séria é a variação dialetal. O ditongo "ei" em "céu" tem realização diferente em variantes do português brasileiro, e a junção de vogais pode produzir resultados que soam estranhos dependendo do sotaque. Se seu sistema será usado por falantes de diferentes regiões, considere manter múltiplas gramáticas de fusão e deixar o usuário escolher.
Há ainda a questão dos dígrafos vocálicos em línguas de empréstimo. Sequências como "ea" em "team" ou "io" em "pizza" podem ser tratadas de forma diferente das sequências nativas do português. Meu workaround foi criar uma camada extra de detecção que identifica a origem etimológica da palavra antes de aplicar a regra de junção, usando um pequeno classificador baseado em n-gramas de letras. Para quem precisa de uma implementação pronta, desenvolvi uma biblioteca open source chamada vogaljoin que cobre todos esses casos. Ela está disponível no GitHub e instala via pip. A versão atual suporta português brasileiro e português europeu, com tratamentos diferentes para variantais. A instalação leva menos de dois minutos e o tempo médio de processamento de um corpus de 100 mil palavras é de aproximadamente 8 segundos em hardware padrão.
Download da biblioteca vogaljoin no GitHub O método que descrevi aqui funciona bem para a maioria dos casos, mas tem limitações claras. Não lida bem com casos de variação livre onde a classificação ditongo/hiato depende do falante individual. Também não é adequado para textos históricos ou arcaicos, onde as regras de junção de vogais eram diferentes das normas contemporâneas. Se você trabalha com corpus diacrônico, precisará de uma versão diferenciada do algoritmo com regras baseadas em gramáticas históricas da língua.
A alternativa mais robusta, quando o contexto permite, é usar sistemas de transdução fonológica treinados com dados, como modelos de rede neural treinados em pares palavra-phoneme. Eles lidam melhor com exceções e variação, mas exigem um volume significativo de dados anotados e tempo de treinamento que pode variar de algumas horas a alguns dias, dependendo do hardware. A junção de vogais é um componente relativamente pequeno em pipelines maiores de processamento fonológico, mas a precisão importa porque erros de fusão se propagam para etapas subsequentes. Vale a pena dedicar tempo para tratar os casos de borda corretamente desde o início, em vez de consertar problemas depois. A diferença no tempo de depuração costuma ser de horas para minutos, dependendo da complexidade do corpus.
