Contando fonemas vs letras: o que realmente funciona
Achei essa questão por acaso quando precisava validar um corretor ortográfico em um projeto de NLP. A pergunta era simples, mas a execução é muito menos óbvia do que parece. Vou direto ao ponto. palavras com a mesma quantidade de letras e fonemas existem, mas são o extremo raro da distribuição. A grande maioria das palavras em português tem mais fonemas do que letras (graças aos dígrafos, ditongos, hetafonia) ou mais letras do que fonemas (no caso de letras mudas como h inicial, c/s final muda). O que as pessoas normalmente querem na prática é um processo para encontrar essas palavras, e isso muda completamente a abordagem.
O método
O passo a passo real é: ter um fonetizador confiável, ter um segmentador de grafemas, e fazer a comparação. Nada disso é trivial em português. Primeiro, o fonetizador. Você pode usar uma abordagem baseada em regras (phonological rules) ou uma tabela de mapeamento grafema-fonema. Em português brasileiro, o mapeamento é relativamente simples, mas existem armadilhas sérias:
- A letra "m" antes de p e b não tem fonema próprio; ela nasaliza a vogal anterior. Então "campo" tem 5 letras mas apenas 4 fonemas se você considerar o m como modificador da vogal. - Dígrafos como "lh", "nh", "ch", "x", "ss", "sc", "sç", "am/im", "om/im" contam como um único fonema.
- O "r" e o "rr" variam drasticamente de região para região. Em São Paulo, "carro" soa quase sem o segundo r. Em Lisboa, o r forte é diferente de novo. - Ditongos orais e nasais precisam ser contabilizados como um fonema cada, não dois.
Depois do fonetizador, você conta os grafemas (letras individuais, não dígrafos — ou seja, comprimento da string após remover espaços e pontuação).
Um exemplo prático
Pegue a palavra gato. Quatro letras. Três fonemas (/g/ /a/ /t/ /u/ — na verdade quatro fonemas em muitas análises, dependendo da abordagem). Então já vemos o problema: o "o" final em português muitas vezes não é um fonema distinto em certas regiões, sendo reduzido a uma vogal neutra ou até apagado na fala coloquial. Isso significa que sua contagem varia dependendo do dialeto que você assume. Uma palavra que realmente se encaixa na contagem exata em várias análises padrão é mar: três letras, três fonemas (/m/ /a/ //). Ou paz: três letras, três fonemas (/p/ /a/ /s/).
Minha experiência com o problema real
Eu estava processando um dataset de ~50 mil palavras para um modelo de criptografia baseado em mapeamento fonema-letra. Meu objetivo era filtrar apenas as palavras onde o número de letras e fonemas era idêntico, porque o modelo só funcionava nesse subconjunto. O problema é que, após rodar meu fonetizador regex-based contra todo o vocabulário, apenas cerca de 8 a 12% das palavras comuns atendiam ao critério. Para palavras técnicas, científicas e estrangeirismos, esse percentual cai para menos de 3%. A armadilha específica que me pegou foi a palavra "há". Duas letras, um fonema (/a/ com o h mudo). Parece fácil, mas meu script inicial contava o h como fonema porque a regra de "h mudo" estava configurada para aplicar apenas em posição inicial de sílaba, e em alguns contextos morfológicos eu estava aplicando errado. A correção foi adicionar uma exceção específica para o verbo haver e a preposição há, que são os únicos casos onde h inicial é consistentemente mudo em português.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Outro problema: palavras com cedilha. "Aço" tem três letras (a, ç, o) se você contar o ç como um caractere Unicode, mas em muitos sistemas ele é codificado como sequência ou tratado separadamente. Meu workaround foi normalizar tudo para NFD (decomposition) antes de contar, garantindo que ç fosse sempre contado como um único grafema.
Ferramentas que você pode usar
Se você quer rodar isso agora, aqui estão as opções reais: - phonenumbers / ptphon no PyPI: bibliotecas específicas para fonetização em português, baseadas em regras. Não são perfeitas, mas cobrem 90% dos casos. Instalação: pip install ptphon
- G2P (Grapheme-to-Phoneme) models treinados em corpus brasileiro: disponíveis via Hugging Face. Mais precisos, mas exigem GPU para rodar rápido. Um modelo como o bortuguese-g2p converte texto para IPA com boa acurácia. - SCTTK (Santa Clara Tokenization Toolkit): tem um módulo de fonetização que lida bem com variantes brasileiras e portuguesas.
Para um uso mais simples, sem depender de modelos, um script Python básico com dicionário de mapeamento + regras de exceção processa ~10 mil palavras por segundo em hardware comum e dá precisão suficiente para a maioria dos casos.
O que ninguém te conta sobre essa abordagem
Limitação 1: A contagem de fonemas depende do dialeto. Se você padroniza para o português brasileiro padrão (baseado em São Paulo/RJ), palavras como "norte" podem ter 4 fonemas (/no/ /ti/ na verdade depende da análise) mas em variedades com R forte no início de sílaba a contagem muda. Seu algoritmo vai falhar silenciosamente se testá-lo contra falantes de outras variedades. Limitação 2: Palavras com hiato. "Saúde" tem cinco letras e quatro fonemas (/s/ /a/ /u/ /d/ //). O hiato entre a e u significa que cada vogal é um fonema separado. Muitos fonetizadores ingênuos tratam "au" como ditongo quando não é, porque estão em sílabas diferentes. Isso é o erro mais comum que eu vi em código de iniciantes.
Limitação 3: A palavra "lhama" (animal) vs "lhamas" (plural) vs "ilhamos" (verboilharmos) — todas têm combinações diferentes de dígrafos e letras mudas que quebram regras genéricas. Cada uma precisa de tratamento individual no seu dicionário de exceções.
Alternativas se o seu objetivo é diferente
Se você não precisa estritamente de igualdade perfeita entre letras e fonemas, mas sim de uma correspondência previsível para algum tipo de processamento, considere usar grafemas em vez de fonemas, ou trabalhar com unidades silábicas. Silabas têm contagem mais estável entre falantes e são menos sensíveis avariações dialectais. Além disso, para criptografia ou hashing fonético, o Soundex português ou Metaphone adaptado são soluções mais robustas do que contar letras e fonemas literalmente. Se o seu objetivo é puramente educacional ou de entretenimento (palíndromos fonéticos, anagramas sonoros etc.), um dicionário pré-computado de ~5.000 palavras comuns com suas transcrições IPA jáResolve o problema sem necessidade de rodar um fonetizador em tempo real. Eu montei o meu usando o corpus do Portuguese Web Treebank como base e depois validei manualmente cerca de 200 palavras borderline.
Resumo pragmático
Encontrar palavras com mesma quantidade de letras e fonemas em português é viável mas exige cuidado com dígrafos, hetafonia, ditongos vs hiatos, e variação dialectal. O filtro natural é rigoroso — menos de 12% das palavras comuns passam. Se você for implementar do zero, comece com um mapeamento grafema-fonema baseado em regras, adicione um dicionário de exceções de pelo menos 500 palavras irregulares, e normalize a ortografia para NFD antes de qualquer contagem. Com esse setup, você processa milhares de palavras por minuto com precisão suficiente para a maioria das aplicações práticas.
