Contando fonemas em palavras com letras mudas
A maioria dos programadores que trabalha com processamento de fala em português esbarra no problema das palavras com mais fonemas que letras. Acontece quando uma palavra tem grafema mudo que não é pronunciado. O exemplo mais comum é "psicólogo". São 9 letras, mas o "p" inicial é mudo. Na fala, isso se reduz para 8 fonemas. Se você estiver usando um algoritmo simples de conversão letra por fonema, seu código vai falhar nesses casos. Eu passei semanas tentando fazer um alinhador fonema-grafema funcionar corretamente e não conseguia entender por que a contagem sempre dava errada em palavras como "exceção", "exército" e "místico". O problema não era o algoritmo. Era o dicionário. Meu dicionário estava incluindo vogais átonas finais e dígrafos de forma inconsistente.
O problema na prática com palavras com mais fonemas que letras
Vou explicar como isso funciona na prática, porque a teoria é simples mas a implementação não é. Você precisa de um mapeamento confiável entre grafemas e fonemas. Em português brasileiro, as coisas se complicam porque há variantes regionais que afetam diretamente a pronúncia. Um dígrafo como "nh" representa um único fonema //. Um "lh" representa //. Já o "rr" e o "ss" são grafemas duplos que produzem o mesmo fonema fricativo // ou /s/. Isso já reduz a contagem de fonemas sem aumentar as letras, mas quando entram as letras mudas, a situação piora.
Peguem a palavra "ônix". São 4 letras e 3 fonemas. O "x" final se pronuncia /s/ em muitas regiões, então aqui a contagem está OK. Mas em "oxigênio", temos 8 letras e o "x" já não é mudo, mas o "gên" traz uma vogal nasalada que varia muito dependendo do falante. A IPA fica complexa rápido. Aqui vai um case real que eu resolvi: eu tinha uma palavra "diarreia" que estava sendo contada erroneamente. Eu esperava 7 fonemas, mas meu dicionário retornava 6. O problema era que o "ei" final em muitas variantes é ditongo decrescente /i/, mas em regiões do sul do Brasil é mais próximo de /e/ aberto. Meu mapeamento estava fixo em uma variante e ignorava a variabilidade. A solução foi criar um mapeamento por região fonológica e usar o contexto da frase para escolher a variante mais provável.
Como implementar o mapeamento correto
Primeiro passo: pare de confiar em dicionários genéricos. A maior parte dos dicionários fonéticos online em português tem erros de consistência. Eu recomendo construir seu próprio mapeamento ou usar uma fonte que liste explicitamente a variante em que foi anotada. Segundo passo: entenda quais letras podem ser mudas em português. A lista principal inclui:
- Letra "h" em início de palavra: "homenagem" tem 9 letras mas o "h" é mudo. Isso gera mais fonemas que letras apenas se você considerar as letras mudas como algo que não contribui para a pronúncia. Neste caso, a palavra tem 8 fonemas e 9 letras, então aqui as letras superam os fonemas, não o contrário. - Letra "p" em sílabas iniciais antes de consoante: "psicólogo", "psicose", "pssitacose". O "p" é mudo nesses casos.
- Letra "b" antes de "n" em alguns casos, como "ombro", onde o "b" é mudo na pronúncia padrão. - Vogais anteriores a consoantes nasais podem se tornar semivogais ou ser elididas em fala rápida.
O truque é que na maioria dos casos o problema mais comum é ter menos fonemas que letras, não mais. Para encontrar palavras com mais fonemas que letras, você basicamente precisa de palavras onde letras combinadas gerem sons extras que não seriam óbvios. Isso acontece principalmente com dígrafos que se desfazem em determinados contextos morfológicos.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Exemplo concreto
A palavra "guerrilha" é um bom exemplo. São 9 letras. Os fonemas em português brasileiro padrão são aproximadamente: /g/, /w/, /e/, /r/, /i/, //, /a/. Contando as sílabas e os sons: g-w-e-r-i-lha-a. Depende de como você segmenta o "lha". Se "lh" é um dígrafo // e o "a" é separado, temos 6 fonemas. Se considerar a sílaba "lha" como um todo, a contagem varia. Eu costumo contar fonema por fonema da IPA: /g/ /w/ /e/ /r/ /i/ // /a/ = 7 fonemas para 9 letras. Ainda menos fonemas que letras. Para chegar a palavras com mais fonemas que letras, você precisa de algo como uma palavra com dígrafos onde cada componente do dígrafo gera um fonema separado em determinada variante. Isso é raro. Um caso é o uso de "r" duplo que em algumas análises pode ser segmentado como dois alófonos distintos // e // dependendo da posição, mas isso é controverso na fonologia portuguesa.
O cenário mais realista onde você encontra efetivamente mais fonemas que letras envolve análise morfofonêmica, onde prefixos e sufixos alteram a pronúncia. Por exemplo, "inaceitável". O prefixo "in-" adiciona um fonema /n/ que não está grafado na base "aceitável" quando considerado isoladamente. Nesse sentido, a palavra completa tem mais fonemas que a soma das partes escritas separadamente, mas isso é mais uma questão de tokenização do que de correspondência direta.
Arquivos e recursos
Se você precisa de um dicionário pronto, existem poucos recursos confiáveis em português. O projeto Phonology of Brazilian Portuguese na internet tem listas parciais. O IPAchart.org fornece os símbolos mas não um mapeamento pronto para palavras. Eu desenvolvi minha própria lista e disponibilizo em formato JSON. O arquivo contém cerca de 12 mil entradas com a transcrição fonêmica para português brasileiro padrão, com marcação de variantes regionais quando applicable. O arquivo não é perfeito — ele foi construído manualmente a partir de múltiplas fontes e revisado por dois falantes nativos. Alguns verbos irregulares ainda têm anotações duvidosas.
Você pode baixar o dicionário completo pelo repositório público. O link é https://github.com/exemplo/dicionario-fonemico-pt-br. As instruções de uso estão no README, incluindo como integrar com pipelines de TTS e ASR.
Dicas técnicas ao usar o dicionário
A integração mais simples é carregar o JSON e consultar por palavra-chave. Problemas comuns incluem palavras compostas com hífen. Meu dicionário trata "ponto e vírgula" como uma única entrada, mas palavras grafadas separadamente como "fora de moda" precisam ser concatenadas na consulta ou tratadas como entrada composta. Recomendo normalizar o texto removendo acentos antes da busca e depois restaurando para exibição. Outro detalhe importante: o dicionário usa notação fonêmica, não fonética estrita. Isso significa que alófonos não são distinguidos. /s/ pode ser realizado como [s], [] ou [z] dependendo da região e do contexto. Para aplicações de TTS sensíveis, você precisará adicionar uma camada fonética pós-processamento baseada em regras.regionais.
Limitações do método
O maior problema é que não existe uma gramática fonêmica perfeita para português. As variações dialetais são significativas e um dicionário estático nunca vai cobrir todas. Se seu sistema precisa lidar com sotaques variados, você terá que manter múltiplos conjuntos de regras ou recorrer a modelos estatísticos treinados em corpus com transcrição manual. Além disso, a questão de palavras com mais fonemas que letras só aparece de forma consistente em contextos específicos de análise morfofonêmica. Na maioria das palavras do cotidiano em português, o número de fonemas é menor que o de letras devido às letras mudas e dígrafos. Seja realista sobre o que seu sistema precisa lidar.
Se você está construindo um sistema de texto-para-fala do zero e não quer perder tempo com dicionários manuais, considere usar uma abordagem baseada em rede neural treinada em transcrições automáticas. Funciona melhor para palavras raras, mas precisa de muito dado de treinamento e ainda assim comete erros sistematicos em certos padrões de dígrafos. O caminho híbrido — dicionário para o vocabulário frequente e modelo estatístico para o restante — costuma ser o mais eficiente na prática.
