Palavras Homografas E Homofonas

Como lidar com homógrafas e homófonas em processamento de texto

Quem trabalha com análise de texto em português já se deparou com palavras homógrafas e homofonas pelo menos algumas vezes. O problema é que a maioria dos pipelines de NLP simplesmente normaliza ortografia e espera que o resultado faça sentido. Às vezes faz, mas em muitos casos gera erros sistemáticos que passam despercebidos até você perceber que o dado foi corrompido. Homógrafas são palavras com a mesma grafia mas sons diferentes. "Cerca" (vedeiro) e "cerca" (aproximação) são o exemplo clássico. Na pronúncia padrão, os dois são idênticos, mas a distinção existe em algumas variedades dialetais onde o "r" final da primeira acepção pode ser mais marcado. O ponto importante é que ambas têm a mesma forma escrita e significados completamente distintos. Homófonas são palavras com som igual mas grafia diferente. "Serração" e "ceração", "sentar" e "cântar" (arcaico). A confusão acontece porque ao escrever texto transcrito por fala, speech-to-text, ou quando o usuário digita, o sistema precisa escolher entre grafias possíveis baseado no contexto, não apenas no som.

Existe ainda o caso das homógrafas e homófonas propriamente ditas, ou seja, palavras que compartilham tanto grafia quanto pronúncia. Isso acontece frequentemente com formas verbais e substantivos: "voto" ( substantivo) e "voto" (1ª pessoa do presente do indicativo de votar). Para um analisador morfossintático, a ambiguidade é pura e deve ser resolvida por tag de classe gramatical, não por correção ortográfica.

O método de disambiguação que uso na prática

No meu fluxo de trabalho, eu não confio em listas estáticas de pares homógrafos e homofonas. O correto é construir um dicionário de disambiguação com frequência contextual. O processo é simples: você coleta todas as ocorrências de palavras ambíguas nos seus textos, agrupa por contexto imediato (palavras adjacentes em uma janela de 3-5 tokens) e atribui probabilidades. Quem tiver probabilidade alta num determinado contexto recebe o rótulo correto automaticamente. Eu tenho um script mínimo que faz isso em Python usando contagem de n-gramas. O diferencial é usar o contexto sintático, não apenas léxico. Se você tem "passarinho verde cantando na cerca", a palavra "cerca" claramente se refere ao vedatório. Mas se o texto fosse "a cerca de 2023", já é outra coisa. Você precisa de parsing sintático leve ou pelo menos de POS tagging para capturar essa informação. Ferramentas como o Stanza ou o UDPipe para português são rápidas o suficiente para rodar em lote. Um problema específico que eu encontrei e que demorou para diagnosticar: eu estava processando documentos jurídicos e o pipeline de normalização ortográfica estava convertendo "acórdão" (com cedilha) para "acordao" (sem acento, sem cedilha), o que quebrava todas as buscas por jurisprudência que usavam o termo correto. O workaround foi criar uma regra específica no pré-processamento que mantém palavras pertencentes a um lexicon jurídico mesmo quando a normalização genérica as modificaria. A correção levou cerca de 4 horas de implementação e eliminou 12% dos falsos negativos nas buscas.

O que ninguém conta sobre homógrafas e homófonas

A primeira coisa contraintuitiva é que pronúncia não é universal em português. Muitas palavras que você acha homógrafas não são na prática. "Rato" (animal) e "rato" (rato de computador) são literalmente a mesma palavra — a diferença é sense, não grafia ou som. Homógrafas verdadeiras existem em número menor do que a literatura didática sugere. A maior parte dos casos que aparecem em exercícios escolares na verdade são homônimos homófonos não-perfeitos ou apenas palavras com sentidos Polissêmicos. A segunda coisa: homófonas são muito mais problemáticas que homógrafas em qualquer pipeline real. Homógrafas você resolve com POS tag. Homófonas exigem desambiguação semântica, que é qualitativamente mais difícil. O famoso par "cor" (color) e "" (não existe em português) é fácil, mas "cozer" (dar cozimento) e "coser" (costurar) parecem óbvios na escrita mas idênticos na fala. Reconhecedores de voz confundem esses dois sistematicamente. Outro detalhe técnico: sistemas de busca full-text como Elasticsearch por padrão indexam pela forma ortográfica. Se seu usuário pesquisa por uma forma homófona errada ("voto" em vez de "voto"), o sistema não recuperta nada a menos que você configure suggesters ou corretores ortográficos com base em similaridade fonética. O plugin Metaphone para Elasticsearch resolve isso parcialmente, mas em português você precisa de uma adaptação porque o sistema originalmente foi feito para inglês e ignora regras específicas como a nasalidade de "ão", "ã", "õe".

Limitações e armadilhas reais

O método de disambiguação baseado em contexto não funciona bem quando os textos são curtos demais. Menos de cinquenta tokens por documento, a probabilidade contextual fica muito ruidosa. Eu já vi equipes tentarem aplicar a técnica em tweets e comentários de redes sociais e obter resultados piores do que a normalização ingênua, porque o contexto é essencialmente aleatório nesses casos. Dicionários de homógrafas e homófonas disponíveis online também são problemáticos. A maioria é compilada manualmente por professores e contém erros ou omissões significativas. O Houaiss e a obra do Celso Cunha têm informações úteis, mas são referências estáticas que não capturam variações diacrônicas — palavras que foram homógrafas no português medieval podem não ser mais hoje, ou vice-versa. Se você trabalha com corpus históricos, precisa de uma lista própria. Para quem precisa de uma solução imediata e não quer construir o pipeline do zero, o pacote `hnltk` (Histórico Natural Language Toolkit) para Python inclui some recursos de normalização que tratam casos específicos de homonímia, embora não sejam completos. Uma alternativa mais robusta é usar o `porterstemmer` do NLTK combinado com um léxico de palavras homófonas que você mesmo alimenta, em vez de depender de bibliotecas genéricas que assumem que homografia e homofonia são problemas resolvidos com dicionário de sinônimos.

Resumindo: homógrafas e homófonas em português são um problema de desambiguação contextual, não de correção ortográfica. Tratar como sinônimo é a causa mais comum de bugs silenciosos em pipelines de texto. A disjunção entre forma escrita e forma falada não desaparece com processamento automático — pelo contrário, fica mais visível quando você escala.