Palavras Só Com Vogais

Trabalhando com palavras só com vogais em processamento de texto

A gente precisa lidar com isso de vez em quando. Seja filtrando ruído em dados coletados da web, seja montando pipelines de geração de texto, palavras formadas exclusivamente por vogais aparecem como um problema chato. Em português, essas sequências são mais comuns do que parece se você considerar variações ortográficas, hiatos e os acentos que todo mundo esquece. Pra ser bem direto: é qualquer token que, depois de remover acentos e pontuação, contém apenas letras a, e, i, o, u — sem consoantes. "Ai", "ui", "eu", "oi", "é", "ó", "ia" tudo entra aí. A questão é que o acento muda a coisa. Se você não normalizar primeiro, vai classificar errado. Minha primeira tentativa de resolver isso deu ruim porque eu não estava tratando o til e o acento agudo corretamente na normalização. O trecho "óia" com o acento no o era identificado como tendo uma consoante fantasma porque o script que eu escrevia no início não fazia a remoção de acentos antes da verificação. A correção foi simples, mas custou duas horas pra descobrir. Use unicodedata.normalize('NFD', texto) em Python, depois remova os combiner characters antes de aplicar a regex. Isso resolve 90% dos falsos positivos.

Como identificar na prática

A abordagem mais confiável é normalizar, remover acentos, e aplicar uma expressão regular. Em Python, algo assim funciona: Isso funciona bem para a maioria dos casos. Mas tem um detalhe que os tutoriais não costumam mencionar: a letra "y". Em português ela é raramente usada, mas aparece em anglicismos e nomes próprios como "ryn" ou "yoga". Se o seu pipeline precisa ser rigoroso, considere se "y" entra ou não na definição. Eu desliguei isso pro meu caso porque queria remover ruído de dados scraped de fóruns internacionais. Outro ponto importante: vogais líquidas e ditongos. Sequências como "ia", "ua", "ei", "oi" são perfeitamente válidas e devem ser mantidas. O erro comum é tentar separar sílabas e achar que ditongo é duas vogais independentes, o que gera split incorreto.

Problemas reais que eu encontrei

Num projeto recente, eu precisava filtrar tokens de baixa qualidade de um corpus de posts de redes sociais. Palavras só com vogais eram usadas como marcador de spam — robôs geravam sequências tipo "aeiou" ou "eiuioua" como teste. A solução óbvia seria remover tudo que fosse só vogal, mas aí eu perdia palavras legítimas como "ai" e "oi", que apareciam frequentemente como interjeições genuínas em comentários. Eu resolvi adicionando um filtro de frequência. Se a sequência aparecia mais de X vezes no corpus e tinha menos de 3 caracteres, eu marcava como suspeita. Sequências maiores como "iaioe" que não apareciam em dicionários eram simplesmente descartadas. O limite de 3 caracteres foi o que funcionou melhor no meu conjunto de dados, mas depende muito do corpus. Em textos formais, menos spam vowel-only aparece. Em redes sociais, o ruído é bem maior.

Limitações

Esse método não é perfeito. Ele quebra com palavras compostas por vogais que são parte de siglas ou abreviações técnicas. "IA" (inteligência artificial) vira "ia" e é classificada como palavra só com vogais, o que pode ou não ser o que você quer. Da mesma forma, termos como "OO" (objeto orientado) ou "UAI" (expressão mineira) passam pelo filtro e podem causar ruído indesejado. Se o seu objetivo éLimpar dados para treinamento de modelo de linguagem, talvez valha a pena ser mais conservador e manter essas sequências. Se for filtragem de spam, seja agressivo. Não existe resposta universal aqui — depende do que você está construindo. A ferramenta em si é simples. O problema é saber quando aplicá-la e quando não aplicar. Eu uso esse filtro como etapa preliminar num pipeline maior, nunca como decisões isoladas. Depois de identificar as palavras só com vogais, eu cruzo com listas de stopwords, dicionários e scores de confiança antes de tomar qualquer ação.