Um algoritmo prosódico para Português do Brasil
Vera Vasilévski1, Márcio José Araújo2
1
2
Lingüística, Universidade Federal de Santa Catarina (UFSC), Florianópolis – SC,
Universidade Estadual de Ponta Grossa (UEPG), Ponta Grossa – PR, Brazil
Engenharia Eletrônica, Universidade Tecnológica Federal do Paraná – Curitiba, PR –
Brazil
[email protected], [email protected]
Abstract. We present an algorithm that pinpoints the position of the pitch
accent of the words of a text, processes these data, and displays them as a
statistical report. Such resource works from the grapheme to phoneme
conversion, thus, reads written texts translated into Brazilian phonological
patterns. We estimate that it can be useful in surveys on the Portuguese accent,
since the writing system is decoded into phonemes in reading, preserving
prosody.
Resumo. Apresenta-se um algoritmo que identifica a posição do acento de
intensidade de cada palavra de um texto, processa esses dados e os dispõe em
relatório estatístico. Esse recurso trabalha a partir da conversão grafemafonema, assim, analisa textos escritos traduzidos para o padrão fonológico
brasileiro. Estima-se que ele seja útil na investigação dos fatos do acento em
português, uma vez que o sistema escrito é decodificado em fonemas na
leitura, preservando-se a prosódia.
1. Introdução
A escrita é uma invenção humana, um sistema criado para registrar a fala. Os sistemas
alfabéticos, além de registrar os fonemas por meio de letras e combinações de letras,
também podem registrar o acento das palavras.
Assim, ao se criar um sistema escrito para uma língua, procura-se representar
foneticamente os sons da fala. Numa ortografia fonética, a cada som corresponderia uma
letra ou grupo de letras únicos e a cada letra ou grupo de letras, um som único. Ainda,
pelo menos no caso das línguas indo-européias, seria assinalada de algum modo a sílaba
tônica [Carvalho 2008]. No entanto, as letras do alfabeto não bastam para representar os
fonemas. Assim, recorre-se a combinações, como acentos gráficos nas vogais e juntar
duas letras para denotar um fonema (os dígrafos) [Said Ali 1964].
A escrita tem forma única, sem sotaque, e deve cobrir todas as variedades de sua
modalidade falada. Então, o critério que a rege, o qual procura representar
aproximadamente os fonemas pelas letras e divide suas seqüências, é o fonológico.
Nesse sentido, o sistema alfabético do português brasileiro atinge em torno de 95% de
transparência [Vasilévski 2008, 2012a], ou seja, a previsibilidade da escrita em relação à
fala é extremamente alta. Já o sistema de acentuação é mais transparente ainda, chega a
99% de previsibilidade [Vasilévski 2008, 2012a]. A partir disso, considera-se que dados
44
Anais da III Jornada de Descrição do Português, páginas 44–51, Fortaleza, CE, Brasil, Outubro 21–23, 2013.
c
2013
Sociedade Brasileira de Computação
escritos, uma vez reproduzidas tais correspondências grafêmico-fonêmicas, permitem
estudar vários aspectos da língua falada, como a prosódia, que é foco deste trabalho.
Assim, apresenta-se um algoritmo que identifica a posição do acento de
intensidade de cada palavra de um texto de entrada, processa essas informações e as
dispõe em relatório estatístico. O algoritmo trabalha com a língua escrita, porém, o faz a
partir de sua conversão em símbolos do alfabeto fonético internacional, ou seja,
considera seus critérios fonológicos. A título de exemplo, traz-se uma amostra de seu
uso: a análise prosódica de dois textos brasileiros.
2. A Prosódia ou o Acento do Português Brasileiro
A prosódia – ou organização dos fatos do acento – compreende os fenômenos
distintivos que caracterizam e opõem as unidades de expressão mais longas do que o
fonema isolado (sílabas, seqüências de sílabas, grupos). É uma parte da fonética e estuda
a tonicidade dos sons reunidos, ou seja, a pronúncia das palavras [Malmberg 1993].
Acentuação é o modo de fazer sobressair um som dentre muitos no vocábulo ou na
frase. Na língua portuguesa, há os acentos de intensidade (tônico) e de altura (musical),
e a duração ocorre com a intensidade. O acento tônico resulta da expiração mais forte ao
pronunciar sílabas, enquanto o acento musical ocorre na interrogação, exclamação, na
linguagem emocional [Said Ali 1964].
A tonicidade (o acento) resulta de uma força maior expiratória ou intensidade de
emissão da vogal de uma sílaba em contraste com as demais vogais silábicas. Em
português, ela pode incidir na última, penúltima, antepenúltima ou, mais raramente, na
quarta última sílaba de um vocábulo fonológico [Câmara Jr. 1986]. O vocábulo
fonológico é bem delimitado em português, e sua marca nítida é o acento [Câmara Jr.
1986]. A posição tônica dá, plenamente, os traços distintivos vocálicos, e, em português,
o vocábulo fonológico depende da força de emissão de suas sílabas. Essa força é que se
chama acento [Câmara Jr. 1997].
A posição do acento não depende da estrutura fonêmica do vocábulo. Não há em
português terminações de fonemas que imponham dada acentuação, há sim maior
freqüência para dada terminação. No entanto, há um tipo de acentuação que caracteriza
a língua portuguesa: o paroxítono, que confere à língua ritmo grave. A sílaba é a
unidade superior, na qual os fonemas (vogais e consoantes) se combinam para funcionar
na enunciação [Câmara Jr. 1997], de forma que, somente a partir dela, é possível
estudar-se a prosódia propriamente.
O sistema de acentuação gráfica é referência importante para a leitura. Apesar de
o sistema de acentuação vigente no português do Brasil parecer, para muitos, complicar
a escrita, ele facilita a leitura e torna a escrita mais coerente e objetiva, pois o sistema
verbal tem dois lados: codificação e descodificação; escrita e leitura. A grande maioria
das palavras da língua portuguesa é acentuada – ou seja, tem sílaba tônica –, mas esse
acento não é marcado graficamente.
Em sua essência, o sistema de acentuação gráfica do português remonta à
proposta de Gonçalves Vianna, de 1911, que se guia pelo princípio de acentuar
graficamente o menor número de palavras possível. Para tanto, considera a quantidade
45
de palavras existentes com as três tonicidades: oxítona, paroxítona e proparoxítona,
apesar de, fonologicamente, a sílaba tônica poder ser a quarta última, como visto.
Assim, palavras cuja tonicidade é rara são acentuadas graficamente, e pequena
parte das palavras cuja tonicidade é freqüente tem acento marcado. Por isso, todas as
proparoxítonas são marcadas, já que são as mais raras, e poucas paroxítonas são
acentuadas graficamente, por serem as mais comuns. Ainda, boa parte das oxítonas é
marcada, por ocuparem o segundo lugar na freqüência da língua portuguesa.
A terminação da palavra, em seu modo escrito, é o critério que define a
acentuação gráfica, à exceção de raros hiatos tônicos e acentos diferenciais. A
tonicidade não marcada na grafia depende exclusivamente da terminação do vocábulo.
Letras que não têm correspondentes na pronúncia não recebem acento gráfico. No
português escrito, as palavras terminam em letras que representam vogal oral e nasal,
ditongo oral e nasal e na letra “n”, seguidos ou não de “s”; e em “m”; “n”; “r”; “x”; “l”;
“z”; “ps”. Os vocábulos mais numerosos são os paroxítonos que terminam com as letras
“e”, “o”, “a” (/i/, /u/ e /a/), que representam vogais orais, seguidas ou não de “s”, então,
não se acentuam palavras desse tipo. O restante das paroxítonas recebe acento gráfico
para guiar a leitura. As letras “i” e “u”, quando figuram em final de palavra, revelam que
a palavra é oxítona, se não for, ela recebe acento gráfico.
Essas regras, e algumas outras, que cobrem terminações raras, funcionam em
perfeita harmonia, para reproduzir graficamente o sistema prosódico do português.
3. Algoritmo Prosódico
3.1. Arquitetura
O algoritmo que denominamos prosódico é o mais recente recurso inserido no
programa de conversão grafema-fonema Nhenhém® (2008-2011) [Vasilévski 2008,
2012b]. O algoritmo principal do programa traduz textos escritos em ortografia oficial
do português do Brasil em caracteres fonológicos, os quais ficam disponíveis para ser
usados em outras aplicações. Nesse sentido, outros recursos do Nhenhém são: um
relatório estatístico fonológico [Vasilévski 2008, 2012a, 2012b] e dois silabadores (um
fonológico e um ortográfico) [Vasilévski 2010, 2011, 2012a], com relatórios silábicofonológicos [Vasilévski, Scliar-Cabral, Araújo 2013]. Além disso, o algoritmo principal
do Nhenhém foi aplicado em outro programa para auxiliar a terapia de fala [Blasi,
Vasilévski, 2011], [Vasilévski, 2012b]; e está sendo aplicado em um analisador
morfológico de verbos portugueses [Vasilévski, Scliar-Cabral, Araújo 2012]. Esses
recursos passam por aprimoramento constante, de forma a aumentar sua eficiência.
Todas as regras de acentuação (correspondência grafêmico-fonêmica), vistas na
seção 2, foram inseridas no algoritmo principal do conversor Nhenhém. A reprodução
adequada do sistema prosódico do português do Brasil em meio eletrônico somente foi
possível após se concluírem alguns pré-requisitos, isto é, etapas anteriores de
sistematização fonêmica, que eram dependentes entre si. Primeiramente, converteram-se
os grafemas em símbolos fonêmicos, após, inseriram-se as regras de acentuação, mas
não foi possível trabalhar propriamente com a prosódia, porque o sistema marcava a
vogal tônica, e não a sílaba tônica. Assim, inseriu-se o sistema silábico, e então foi
possível abordar o acento de intensidade.
46
As etapas de execução do algoritmo prosódico são as seguintes, a começar em
‘Marcação prosódica’:
Figura 1. Fluxograma das etapas de execução do algoritmo prosódico
Após o texto de entrada estar dividido em sílabas fonológicas e com a sílaba
tônica marcada, iniciam-se a classificação e a contagem das marcações de tonicidade. A
resposta do programa a um texto de entrada apresenta-se, por ora, em forma de relatório
estatístico-silábico-prosódico. O trecho de código da Figura 2 é parte do método que
gera tal procedimento.
O método numTonica (linha 240) retorna a posição da sílaba mais intensa da
palavra contida na variável “s”. Esse processo consiste em verificar a classificação da
posição da sílaba tônica, partindo da sílaba mais à direita para a mais à esquerda. Desse
modo, o retorno para o comando do exemplo a seguir será T3, pois a marcação de
tonicidade está na terceira sílaba mais à esquerda.
Exemplo: numTonica(/'sɔ.li.daS/)
3. 2. 1.
Entre as linhas 243 e 267 (Fig. 2), está a estrutura de seleção que classifica a
tonicidade da sílaba atual. As sílabas átonas serão classificadas como T0, e a sílaba
tônica será classificada conforme sua posição na palavra (T4, T3, T2 ou T1), em que T1
é a última sílaba da palavra e T4, a quarta última.
47
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
...
foreach (string s in palavras){
//Atribuição da classificação da tonicidade silábica
tonica = cs.numTonica(s);//Retorna T0, T1, T2, T3 ou T4
string[] silabas = s.Split('.');
i = silabas.Count();
foreach (string ss in silabas){
#region Adição da sílaba em sua classe de tonicidade
if ((int)tonica == i){
switch (tonica)
{
case 1:
T1.Add(ss.Replace("'", ""));
break;
case 2:
T2.Add(ss.Replace("'", ""));
break;
case 3:
T3.Add(ss.Replace("'", ""));
break;
case 4:
T4.Add(ss.Replace("'", ""));
break;
}
}
else{
T0.Add(ss.Replace("'", ""));
}
tempSil.Add(ss.Replace("'", ""));
i--;
}
}
//Quantidade de sílabas presentes no texto de entrada
Total = tempSil.Count;
//Filtro das silabas por forma distinta
tempSilDist.AddRange(tempSil.Distinct());
...
Figura 2. Trecho de código para classificação da sílaba mais intensa
A geração dos dados que farão parte do relatório se dá por meio de uma estrutura
de armazenamento baseada em um processo de alimentação de listas. O método de listas
foi escolhido por sua facilidade de implementação, por ser um método de alocação
dinâmica e por ter atributos de contagem facilmente acessíveis [Nagel et al. 2008]. Ao
todo, o programa alimenta sete listas. Além de ser adicionada a sua respectiva lista
conforme a classificação (T0, T1, T2, T3 ou T4), toda sílaba é também inserida em uma
lista geral quantitativa das sílabas do texto de entrada (lista tempSil, linha 265). A partir
dessa lista, cria-se uma lista qualitativa (lista tempSilDist, linha 272), que será utilizada
como fonte de consulta para as listas de classificação de acento, ou seja, T0, T1, T2, T3
e T4, a fim de se verificarem as respectivas posições de tonicidade para cada uma das
sílabas contidas na lista qualitativa. Essa lista contém um exemplar de cada sílaba do
texto de entrada, sem repetições. O resultado desse procedimento é exibido no relatório
estatístico-prosódico.
48
3.2. Relatório estatístico-prosódico
Como teste, aplicou-se o relatório prosódico à música Construção, de Chico
Buarque, para a qual se obteve o resultado exposto na Tabela 1.
Tabela 1. Dados prosódicos da música Construção
Sílaba
Si
[...]
'ko
[...]
'naw
Totais
%
Ocorrências
60
[...]
24
[...]
1
606
100
T0
60
[...]
0
[...]
0
402
66,34
T1
0
[...]
0
[...]
0
71
11,72
T2
0
[...]
24
[...]
0
93
15,35
T3
0
[...]
0
[...]
1
40
6,60
T4
0
[...]
0
[...]
0
0
0,00
%
9,901
[...]
3,960
[...]
0,165
Essa música é composta por 606 sílabas, das quais 402 são átonas e 204, tônicas.
Não há nela palavras acentuadas na quarta última sílaba (T4), e 40 palavras são
proparoxítonas (T3). Há 71 palavras cuja intensidade cai na última sílaba, ou seja, são
oxítonas (T1) e, como era de se esperar, a maioria das sílabas de intensidade das
palavras, 93, é paroxítona (T2). A sílaba mais comum na música é /si/ (graficamente
“se”) que aparece 60 vezes (9,901%), em nenhuma situação ela é tônica. Já a sílaba /'ko/
(graficamente “co”), é a sílaba tônica mais freqüente, presente em 24 versos da música,
sempre paroxítona e primeira sílaba da palavra “como”.
Ao aplicar esse algoritmo a um texto técnico, da área da construção civil, que
contém 617 sílabas, ou seja, 11 sílabas além da quantidade existente na canção, obtevese o seguinte resultado:
Tabela 2. Dados prosódicos do texto técnico
Sílaba
a
[...]
'saw
[...]
pu
Totais
%
Ocorrências
30
[...]
13
[...]
1
617
100
T0
30
[...]
0
[...]
1
444
71,96
T1
0
[...]
13
[...]
0
56
9,08
T2
0
[...]
24
[...]
0
101
16,37
T3
0
[...]
0
[...]
0
14
2,27
T4
0
[...]
0
[...]
0
2
0,324
%
4,862
[...]
2,107
[...]
0,162
A comparação dos dados obtidos a partir desses dois discursos leva a algumas
conclusões. Por exemplo, o ritmo grave do português é atenuado na canção, pelas 40
sílabas T3, pois tal excesso contribui para o estilo poético da música, enquanto, no texto
técnico, em que não há essa preocupação, ocorrem apenas 14 sílabas T3. Isso provoca
uma relevante diferença de desvio padrão (σ), pois, consideradas as sílabas presentes
nos dois textos, tem-se: σmúsica = 6,66 e σtécnico = 3,45.
Esses dados podem ser visualizados de outra forma, como no gráfico da Figura
3, que mostra a distribuição das sílabas tônicas dos dois textos. Percebe-se que eles,
embora sejam de gêneros diferentes, não fogem ao padrão acentual do português, dado o
fato de a maioria de suas palavras ser paroxítonas (T2). A elas seguem as oxítonas (T1),
então, vêm as proparoxítonas (T3) – que são raras em português –, e há representantes
49
das palavras acentuadas na quarta última sílaba (T4 “técnica” → /ˈtɛ.kʲ.ni.ka/) –
raríssimas em português –, classificação não considerada na escrita, cabe lembrar.
Quantidade de sílabas
100
80
60
40
20
0
T1
T2
T3
T4
Classificação da tonicidade da sílaba
Texto técnico - 173 sílabas tônicas
Música - 204 sílabas tônicas
Figura 3. Distribuição das sílabas tônicas dos dois textos
Há muito mais a ser extraído dos dados apresentados, no entanto, o objetivo
maior aqui não é analisá-los, e sim validar o algoritmo prosódico em questão.
4. Conclusão
Considera-se comprovado o potencial do algoritmo apresentado para auxiliar a
investigação da língua falada, a partir de dados primários escritos. A análise
aprofundada dos dados do relatório mostrado parece promissora aos estudos da prosódia
do português brasileiro, em vários gêneros textuais.
Esta é a primeira versão do algoritmo, que está em aperfeiçoamento, para
permitir a visualização, sob distintas perspectivas, do acento em português brasileiro.
Uma das propostas lingüísticas a ser testadas em breve é a pauta acentual ou prosódica
[Câmara Jr. 1997], delineada em termos de algarismos, a fim de identificar a palavra
fonológica. Câmara Jr. designa 3 e 2 para acentos fortes, 1 para a sílaba pretônica e 0
para as átonas após o acento. Apesar de datar de meados do século passado, tal proposta
ainda não foi propriamente abordada, dada a falta de recursos técnicos.
Referências
Blasi, H.; Vasilévski, V. (2011). “Programa piloto para transcrição fonética automática
na clínica fonoaudiológica”, Documentos para el XVI Congresso Internacional de la
ALFAL, Universidad de Alcalá, Alcalá de Henares/Madri.
Buarque, C. (1971). Construção. http://letras.mus.br/chico-buarque/45124/
Câmara Jr. J. M. (1986). Estrutura da língua portuguesa. 16.a edição, Petrópolis, Ed.
Vozes.
50
Câmara Jr., J. M. (1997). Problemas de Lingüística descritiva. 16.a edição, Petrópolis,
Ed. Vozes.
Carvalho, J. A. Por que se usa m antes de p e b? http://www.4uatrominutos.com.br/
2013/01/por-que-se-usa-m-antes-de-p-e-b.html. Acesso em: 13 jul. 2013.
Malmberg, B. (1993). “A fonética: teoria e aplicações”. In Caderno de estudos
lingüísticos, páginas 7-24, n.25, v.1, jul./dez., Campinas.
Nagel, C.; Evjen, B.; Glynn, J.; Skinner, S.; Watson, K. (2008) “Collections”. In
Professional C# 2008, Chapter 10, páginas 250-261, Indianapolis, Wiley Publishing,
Inc.
Said Ali, M. (1964). Gramática secundária e Gramática histórica da língua portuguesa.
3.a edição. Brasília, Editora da UnB.
Scliar-Cabral, L.; Vasilévski, V. (2011) “Descrição do português com auxílio de
programa computacional de interface”. In Anais da II Jornada de Descrição do
Português (JDP), Cuiabá, Brazil.
Vasilévski, V. Scliar-Cabral, L. Araújo, M. J. (2013). “Phonologic and Syllabic Patterns
of Brazilian Portuguese extracted from a g2p decoder-parser”. In International
Journal of Advanced Computer Science (IJACSci), v. 3, n. 8, August.
http://www.ijpg.org/index.php/IJACSci/article/view/469/0
Vasilévski, V. Scliar-Cabral, L. Araújo, M. J. (2012). “Automatic Analysis of
Portuguese Verb Morphology: Solving Ambiguities Caused by Thematic Vowel
Allomorphs”. In Caseli, A. et al (Orgs). Computational Processing of the Portuguese
Language. Proceedings of the 10th International Conference, PROPOR, páginas 1223, Coimbra, Portugal.
Vasilévski, V. (2012a). Descodificación automática de la lengua escrita de Brasil basada
en reglas fonológicas. Saarbrücken, Editorial Académica Española.
Vasilévski, V. (2012b). “Phonologic Patterns of Brazilian Portuguese: a grapheme to
phoneme converter based study”, Proceedings of the EACL, Workshop on
Computational Models of Language Acquisition and Loss. University of Avignon,
France.
Vasilévski, V. (2011). “O hífen na separação silábica automática”, In Revista do
Simpósio de Estudos Lingüísticos e Literários – SELL, páginas 657-676, v.1, n.3.
Vasilévski, V. (2010). “Divisão silábica automática de texto escrito baseada em
princípios fonológicos”, In Anais do III Encontro de Pós-graduação em Letras da
UFS (ENPOLE), São Cristóvão, Sergipe, Brasil.
Vasilévski, V. (2008). Construção de um programa computacional para suporte à
pesquisa em fonologia do português do Brasil. Tese (Doutorado em Lingüística),
Universidade Federal de Santa Catarina, Florianópolis, Brasil.
51