Decirlo Bien: Desambiguar Heterófonos del Portugués para TTS

Cuando una voz de síntesis lee “Tenho sede”, un oyente portugués espera oír sed. Pero exactamente la misma grafía, sede, puede significar también sede (en el sentido de central) — y las dos se pronuncian con vocales diferentes. Dilo con la vocal equivocada y la voz no solo suena mal; dice en voz alta una palabra diferente. Para alguien que depende del TTS para que le lea la pantalla, esa es la línea entre lo inteligible y lo confuso.

Este es un problema de front-end — la etapa de grafema a fonema que decide qué sonidos mapea una palabra, mucho antes de que ningún vocoder neuronal convierta esos sonidos en audio. Ninguna cantidad de calidad de vocoder lo arregla. Si el front-end elige la pronunciación equivocada, la voz articula la palabra equivocada, con toda nitidez.

Homógrafos heterófonos: misma grafía, distinto sonido, distinto significado

El portugués europeo está lleno de palabras escritas de forma idéntica pero pronunciadas con una calidad vocálica distinta — una vocal abierta frente a una cerrada — donde la elección correcta depende del significado, no solo de la gramática. Unas cuantas:

sede — sed (e cerrada, ˈsedɨ) frente a central/sede (e abierta, ˈsɛdɨ). Ambas son sustantivos.
forma — molde / bandeja de horno (o cerrada, ˈfoɾmɐ, escrito fôrma) frente a forma / manera (o abierta, ˈfɔɾmɐ).
molho — salsa (o cerrada) frente a manojo (o abierta).
corte — corte real (o cerrada) frente a un corte (o abierta).

Un sistema TTS ingenuo se compromete con una pronunciación por grafía. Así que lee sed con la vocal de central — cada vez — y el oyente oye la palabra equivocada.

Por qué “basta con etiquetar la categoría gramatical” no funciona

La solución obvia es pasar un etiquetador de categorías gramaticales (POS) sobre la frase y elegir la pronunciación según el POS. Eso ayuda con algunos pares, pero falla por construcción siempre que dos significados comparten categoría gramatical.

Tomemos sede de nuevo. Sed y central son ambos sustantivos. Un etiquetador POS los etiqueta de forma idéntica — no hay señal gramatical para distinguirlos — así que solo puede adivinar la lectura más común. Medimos exactamente esto: en nuestro conjunto de prueba, tanto spaCy como Stanza obtienen un 0 % en el sentido sed de sede. Siempre eligen central. El mismo techo estructural aparece en corte (corte vs corte real), forma (molde vs forma) y molho (salsa vs manojo): cuando el significado se divide dentro de una única categoría gramatical, la gramática no puede verlo.

El conjunto de datos: etiquetar el significado, no la gramática

Así que construimos un conjunto de datos abierto que etiqueta lo que realmente importa — el significado. bifonia-pt-homographs son 56 891 frases del portugués europeo que cubren 27 homógrafos heterófonos. Cada frase está etiquetada con la palabra, su significado (sentido), su categoría gramatical, su pronunciación IPA, y una forma con diacríticos restaurados (por ejemplo sêde vs séde) que hace inequívoca la lectura pretendida sobre el papel.

La clave de agrupación es el significado — ese es el objetivo central. Un único registro tiene este aspecto:

{
  "word": "sede",
  "sense": "thirst",
  "pos": "NOUN",
  "ipa": "ˈsedɨ",
  "sentence": "Depois da corrida tinha tanta sede que bebi um litro de água."
}

Las pronunciaciones se verificaron con el diccionario infopédia (Porto Editora) en lugar de adivinarse, y las particiones de entrenamiento y prueba están estratificadas por (word, meaning) para que un modelo posterior — un BiLSTM, por ejemplo — vea cada sentido en ambas mitades. Está publicado en Hugging Face como TigreGotico/bifonia-pt-homographs.

¿Cómo de bien se puede resolver?

Con datos etiquetados por significado, pudimos medir cómo se desempeñan distintos enfoques al elegir el significado correcto — y por tanto la pronunciación correcta:

Enfoque	Precisión
Adivinar siempre el sentido más común	≈53 %
spaCy POS → significado	≈66 %
Stanza POS → significado	≈75 %
Resolutor de reglas + significado de `bifonia`	≈94 %

Los enfoques basados en POS se estancan justo donde cabría esperar: pueden enrutar por gramática pero nunca por significado, así que las divisiones dentro de un sustantivo quedan fuera de su alcance. Nuestro resolutor — la biblioteca bifonia, ligera y totalmente libre de dependencias — alcanza el ≈94 %, y, lo que es crucial, logra el 100 % en el caso sede/sed en el que los etiquetadores POS obtienen un 0 %.

El titular no es solo el número. Es que un componente pequeño, rápido y totalmente abierto supera a etiquetadores POS neuronales pesados en esta tarea — porque resuelve el significado, no solo la gramática. Sin GPU, sin descarga de modelo, sin llamada de red.

Por qué importa

La pronunciación correcta es fundamental, no cosmética. Los lectores de pantalla y los asistentes de voz son la forma en que los usuarios ciegos y de solo voz leen el mundo, y un front-end que pronuncia mal palabras comunes degrada silenciosamente cada frase que toca. Arreglar la desambiguación de heterófonos en el origen significa que la voz dice lo que el texto quiere decir.

Como el conjunto de datos es abierto y el resolutor es diminuto y bifurcable, cualquiera que construya un front-end de TTS para portugués puede hacer esto bien sin un modelo gigantesco — y el mismo enfoque se traslada limpiamente a una lengua emparentada como el gallego, donde la distinción de vocal abierta/cerrada crea la misma trampa. Los datos etiquetados también cumplen una doble función: son exactamente lo que se necesita para entrenar modelos estadísticos compactos, como un clasificador por palabra, para equipos que tienen el corpus y quieren un resolutor aprendido junto al basado en reglas.

Pruébalo

El conjunto de datos está en Hugging Face en TigreGotico/bifonia-pt-homographs, y el resolutor vive en bifonia. Se integra en el trabajo más amplio de fonética del portugués que hay detrás de NLP clásico para portugués y del stack de grafema a IPA para más de 350 lenguas — piezas pequeñas y deterministas que hacen que una voz pronuncie una lengua como realmente lo hacen sus hablantes.