Silbengrenzen, Betonungsplatzierung und die Abbildung von Schreibweise auf Laut folgen im Portugiesischen Regeln, die Linguisten dokumentierten, lange bevor irgendjemand ein neuronales Netz trainierte. Wenn diese Regeln explizit sind, ist das richtige Werkzeug eine kleine, deterministische, vollständig offline arbeitende Bibliothek, die Sie lesen, prüfen und überall ausführen können. Das ist die Philosophie hinter unserem klassischen portugiesischen NLP-Stack: silabificador für die Silbentrennung und TugaPhone für Graphem-zu-Phonem (G2P).
Warum klassisch, und warum jetzt
Die Phonetik ist einer der Bereiche, in denen deterministische Regeln wirklich glänzen. Die Trennungsregeln der portugiesischen Silbentrennung und die Regelmäßigkeiten ihrer Orthografie sind gut dokumentiert, sodass eine handgefertigte Regel-Engine Transkriptionen erzeugt, die Sie Zeile für Zeile prüfen können. Keine GPU, kein Modell-Download, kein Netzwerkaufruf. Das ist wichtig für die Datensouveränität: Eine lusophone Sprach-Pipeline sollte ihren Text nicht an eine entfernte API schicken müssen, nur um herauszufinden, wie ein Wort auszusprechen ist. Es ist auch wichtig für Geschwindigkeit und Ressourcenbedarf — diese Bibliotheken sind abhängigkeitsarm und laufen mit gleicher Leichtigkeit auf einem Laptop, einem Server oder einem eingebetteten Gerät.
silabificador: Silbengrenzen
silabificador ist ein leichtgewichtiger portugiesischer Silbentrenner, der vollständig aus handgefertigten Regeln aufgebaut ist, ohne Abhängigkeiten. Die Schnittstelle ist so klein, wie es klingt:
from silabificador import syllabify
syllabify("computador")
# ['com', 'pu', 'ta', 'dor']Er wurde anhand sauberer Daten aus dem Portal da Língua Portuguesa abgestimmt und getestet sowie auf dem Portuguese Phonetic Lexicon getestet — einem offenen Datensatz mit über 100.000 Einträgen aus derselben Quelle. Die Silbensegmentierung ist ein grundlegender Schritt für Betonungszuweisung, Silbentrennung und Phonemtranskription, daher zahlt es sich überall nachgelagert aus, sie richtig und schnell zu machen.
TugaPhone: dialektbewusstes Graphem-zu-Phonem
TugaPhone wandelt beliebigen portugiesischen Text in IPA um, und das über die wichtigsten lusophonen Dialekte hinweg: europäisch (pt-PT), brasilianisch (pt-BR), angolanisch (pt-AO), mosambikanisch (pt-MZ) und timoresisch (pt-TL). Entscheidend ist, dass es dialektale Variation bewahrt, statt alles auf einen einzigen „Standard” zu verflachen. Derselbe Satz kommt je nachdem, wo er gesprochen wird, unterschiedlich heraus:
Choveu muito ontem à noite.
pt-PT → ʃuˈvew ˈmũjtu ˈõtɐ̃j a ˈnojt
pt-BR → ʃoˈvew ˈmwĩtʊ ˈõtẽj a ˈnojtʃɪ
pt-AO → ʃoˈvew ˈmũjntʊ ˈõntẽj a ˈnojtɨ
pt-MZ → ʃoˈvew ˈmũjtu ˈõtẽj a ˈnɔjtɨ
pt-TL → ʃoˈvew ˈmujtʊ ˈõntɐ̃j a ˈnojtʰUnter der Haube steuert TugaPhone die gemeinsam genutzte orthography2ipa-Kandidatengitter-Engine und legt portugiesischspezifische Belange über deren eigene Erweiterungspunkte darüber. Es konsultiert ein kuratiertes phonetisches Lexikon (dasselbe Portuguese Phonetic Lexicon von oben) für bekannte Wörter; für alles, was nicht im Lexikon steht — Namen, Neologismen, fremdsprachige Entlehnungen — erzeugt das Gitter Kandidaten aus den Graphem- und Allophon-Regeln des Dialekts.
Zwei Details sind hervorzuheben. Die Zahlennormalisierung wandelt Ziffern in ihre gesprochenen portugiesischen Formen mit korrekter Genus- und Numerus-Kongruenz um:
from tugaphone.number_utils import normalize_numbers
normalize_numbers("vou comprar 1 casa") # uma casa
normalize_numbers("vou adotar 2 cães") # dois cãesEs respektiert sogar Skalenkonventionen — die lange Skala biliões für pt-PT, die kurze Skala trilhões für pt-BR. Die Homograph-Disambiguierung wird an die Bibliothek bifonia delegiert, die das bedeutungsbasierte Wissen darüber besitzt, welche heterophonen Homographe existieren und welche Lesart sie tragen — sodass para als Präposition anders behandelt wird als para als Verb — und markiert die gewählte Lesart mit zusätzlichen diakritischen Zeichen, bevor das Gitter den Satz überhaupt sieht.
TugaPhone phonemisiert, indem es das gemeinsam genutzte orthography2ipa-Kandidatengitter steuert: Die Dialektauswahl ist die Wahl der orthography2ipa-Lekt-Spezifikation, sodass dialektale Phänomene — Betazismus, Portos steigende Diphthonge, die Palatalisierung des /l/ auf Madeira, die Frontung des /u/ auf den Azoren, Koda-Sibilanten-Sandhi und mehr — aus dem Gitter selbst stammen statt aus nachträglichen String-Bearbeitungen. TugaPhone fügt nur das hinzu, was orthography2ipa bewusst dem Aufrufer überlässt, angebunden über dessen eigene Erweiterungspunkte: die genusbewusste Zahlen-/Ordinalzahl-Expansion und bifonias Heterophon-Markierung laufen als Normalisierungsstufe der Engine, bevor das Gitter den Text sieht; das kuratierte Aussprachelexikon aus Tugalex wird pro Lekt über orthography2ipa.register_lexicon registriert, sodass ein abgedecktes Wort in denselben Override-Pfad einfließt wie die eigenen Ausnahmen einer Spezifikation, und das Gitter nur für Wörter Kandidaten erzeugt, die das Lexikon nicht abdeckt; die Silbentrennung stammt aus orthography2ipas eigenem, auf silabificador basierendem Plugin, sodass die Betonung auf derselben Silbe landet, die TugaPhone sonst gewählt hätte. Kleine, kombinierbare Bausteine, die eine gemeinsame Engine speisen — jeder für sich nützlich.
TugaPhone ist ehrlich in Bezug auf seine Grenzen: Die Lexikonabdeckung ist für die afrikanischen und den timoresischen Dialekt spärlicher, die subregionalen Akzente (Porto, Minho, Braga und andere) sind experimentelle Annäherungen an dokumentierte Merkmale, und die Prosodie auf Satzebene ist vereinfacht. Das sind offen dokumentierte Einschränkungen, keine verborgenen Fehlermodi.
Das größere Bild: orthography2ipa
Portugiesisch ist eine Varietät unter vielen, und dasselbe Engineering-Muster lässt sich verallgemeinern. orthography2ipa ist ein rein datenbasiertes Python-Paket mit linguistisch motivierten Graphem→IPA- und Allophon-Abbildungen, das 820 Sprachen über 20 Sprachfamilien hinweg umfasst. Es zieht eine scharfe Unterscheidung, die jedes ernsthafte G2P-System benötigt: Eine Graphem-Abbildung sagt, welche Phoneme eine Schreibweise darstellen kann, während eine Allophon-Abbildung sagt, wie ein Phonem in einem gegebenen Kontext tatsächlich auftritt. Regionale Varietäten werden als ihre eigenen Spezifikationen modelliert, die durch gewichtete Abstammung mit mehreren Vorfahren verknüpft sind, sodass Dialektbäume von ihren übergeordneten Einträgen erben, statt Daten zu duplizieren.
Das ist derselbe Instinkt hinter pt-PT, pt-BR, pt-AO, pt-MZ und pt-TL in TugaPhone: jede lusophone Varietät als vollwertiges Element mit eigenen Regeln behandeln, nicht als Abweichung von einem einzigen kanonischen Akzent. Die Daten sind deklarativ und die Logik ist dünn und einsteckbar — Sie können die Regeln lesen, ihre Quellen zitieren und der Ausgabe vertrauen.
Probieren Sie es aus
Alles hier ist Open Source und heute installierbar:
pip install tugaphone
pip install git+https://github.com/TigreGotico/silabificadorFür die breiteren mehrsprachigen Abbildungen siehe orthography2ipa. Deterministisch, schnell, offline und für die gesamte Bandbreite der portugiesischsprachigen Welt gebaut.
Dieser portugiesische Phonetik-Stack baut auf unserer Graphem-zu-IPA-Arbeit für 820 Sprachen auf und bildet das phonetische Rückgrat für TTS, das auf einer Kartoffel läuft und die mehrsprachigen Stimmen Miro & Dii.