Dizê-lo Corretamente: Desambiguar Heterófonos do Português para TTS
Quando uma voz de síntese de fala lê “Tenho sede”, um ouvinte português espera ouvir thirst (o sentido de ter sede). Mas exatamente a mesma grafia, sede, também pode significar sede/quartel-general, e as duas pronunciam-se com vogais diferentes. Diga-a com a vogal errada e a voz não soa apenas estranha. Diz uma palavra diferente em voz alta. Para alguém que depende do TTS para lhe ler o ecrã, essa é a fronteira entre o inteligível e o confuso.
Isto é um problema de front-end: a fase de grafema-para-fonema que decide que sons uma palavra representa, muito antes de qualquer vocoder neuronal transformar esses sons em áudio. Nenhuma qualidade de vocoder resolve isto. Se o front-end escolhe a pronúncia errada, a voz articula a palavra errada, de forma nítida.
Homógrafos heterófonos: mesma grafia, som diferente, significado diferente
O português europeu está cheio de palavras escritas de forma idêntica mas pronunciadas com uma qualidade vocálica diferente, uma vogal aberta versus uma fechada, em que a escolha correta depende do significado, e não apenas da gramática. Algumas:
sede: sede/ter sede (e fechado,ˈsedɨ) vs sede/quartel-general (e aberto,ˈsɛdɨ). Ambas são nomes.forma: forma de cozinha/molde (o fechado,ˈfoɾmɐ, escrito fôrma) vs forma/maneira (o aberto,ˈfɔɾmɐ).molho: molho/tempero (o fechado) vs molho/feixe (o aberto).corte: corte real (o fechado) vs um corte (o aberto).
Um sistema de TTS ingénuo compromete-se com uma única pronúncia por grafia. Assim, lê ter sede com a vogal de quartel-general sempre, e o ouvinte ouve a palavra errada.
Porque “basta etiquetar a classe gramatical” não funciona
A correção óbvia é passar um etiquetador morfossintático (POS) sobre a frase e escolher a pronúncia pela classe gramatical. Isso ajuda em alguns pares, mas falha por construção sempre que dois significados partilham a mesma classe gramatical.
Voltemos a sede. Ter sede e quartel-general são ambos nomes. Um etiquetador POS rotula-os de forma idêntica, dado que não há sinal gramatical que os distinga, pelo que só pode adivinhar a leitura mais comum. Medimos exatamente isto: no nosso conjunto de teste, tanto o spaCy como o Stanza obtêm 0% no sentido de ter sede de sede. Escolhem sempre quartel-general. O mesmo teto estrutural surge em corte (corte vs corte real), forma (molde vs forma) e molho (tempero vs feixe): quando o significado se divide dentro de uma única classe gramatical, a gramática não o consegue ver.
O dataset: anotar o significado, não a gramática
Por isso construímos um dataset aberto que anota aquilo que realmente importa: o significado. O bifonia-pt-homographs é composto por 56.891 frases em português europeu que cobrem 27 homógrafos heterófonos. Cada frase está anotada com a palavra, o seu significado (sentido), a sua classe gramatical, a sua pronúncia em IPA e uma forma com diacríticos restaurados (por exemplo sêde vs séde) que torna a leitura pretendida inequívoca na página.
A chave de agrupamento é o significado. É esse todo o objetivo. Um único registo tem este aspeto:
{
"word": "sede",
"sense": "thirst",
"pos": "NOUN",
"ipa": "ˈsedɨ",
"sentence": "Depois da corrida tinha tanta sede que bebi um litro de água."
}As pronúncias foram verificadas contra o dicionário infopédia (Porto Editora) em vez de adivinhadas, e as divisões train/test estão estratificadas por (word, meaning), de modo a que um modelo a jusante, um BiLSTM, por exemplo, veja cada sentido em ambas as metades. Está publicado no Hugging Face como TigreGotico/bifonia-pt-homographs.
Até que ponto pode ser resolvido?
Com dados anotados por significado, pudemos medir como diferentes abordagens se saem a escolher o significado correto, e, portanto, a pronúncia correta:
| Abordagem | Exatidão |
|---|---|
| Adivinhar sempre o sentido mais comum | ≈53% |
| POS do spaCy → significado | ≈66% |
| POS do Stanza → significado | ≈75% |
Regra bifonia + resolvedor de significado | ≈94% |
As abordagens baseadas em POS estagnam exatamente onde seria de esperar: conseguem encaminhar por gramática mas nunca por significado, pelo que as divisões dentro da mesma classe de nome ficam fora de alcance. O nosso resolvedor, a biblioteca bifonia, leve e totalmente sem dependências, atinge ≈94% e, crucialmente, chega aos 100% no caso sede/ter sede em que os etiquetadores POS obtêm 0%.
O número importa menos do que a razão por detrás dele: um componente pequeno, rápido e totalmente aberto supera etiquetadores POS neuronais pesados nesta tarefa porque resolve o significado, e não apenas a gramática. Sem GPU, sem descarregar modelos, sem chamadas de rede.
Porque é que isto importa
A pronúncia correta é fundacional, não cosmética. Os leitores de ecrã e os assistentes de voz são a forma como utilizadores cegos e que dependem apenas da voz leem o mundo, e um front-end que pronuncia mal palavras comuns degrada silenciosamente cada frase em que toca. Corrigir a desambiguação de heterófonos na origem significa que a voz diz aquilo que o texto significa.
Como o dataset é aberto e o resolvedor é minúsculo e passível de fork, qualquer pessoa que construa um front-end de TTS para português pode acertar nisto sem um modelo gigantesco. A mesma abordagem transfere-se de forma limpa para uma língua aparentada como o galego, onde a distinção de vogal aberta/fechada cria a mesma armadilha. Os dados anotados servem ainda um duplo propósito: são exatamente o que é preciso para treinar modelos estatísticos compactos, como um classificador por palavra, para equipas que têm o corpus e querem um resolvedor aprendido a par do baseado em regras.
Experimente
O dataset está no Hugging Face em TigreGotico/bifonia-pt-homographs, e o resolvedor vive em bifonia. Encaixa-se no trabalho mais amplo de fonética do português por detrás de NLP Clássico para Português e da stack de grafema-para-IPA para mais de 350 línguas: peças pequenas e determinísticas que fazem uma voz pronunciar uma língua da forma como os seus falantes realmente o fazem.