Encontros vocálicos consonantais e dígrafos: como identificar e não perder a paciência
Eu já passei horas analisando textos com scripts de tokenização que simplesmente quebravam em palavras como "péla", "pássara" ou "quase". O problema nunca era o algoritmo em si — era que as definições de encontro vocálico, encontro consonantal e dígrafo estavam sendo aplicadas de forma rígida demais, sem considerar variações regionais, formas verbais flexionadas e aqueles casos limítrofes que ninguém coloca nos manuais.
O que na prática complica a separação entre os três conceitos
A confusão mais comum acontece porque ditongo e hiato parecem a mesma coisa quando você olha apenas a sequência de letras. Ditongo é quando dois sons vocálicos ocupam a mesma sílaba — como em "pão" ou "cair". Hiato é quando eles se separam em sílabas diferentes — como em "sa-ú-de" ou "pé-la". A diferença é puramente fonológica, mas na escrita você precisa saber onde o corte silábico ocorre para não errar. Encontros consonantais são mais simples de enxergar: duas ou mais consoantes juntas na mesma sílaba, como em "tran-sparên-cia" ou "ad-vér-bio". O problema é que nem sempre duas consoantes adjacentes formam um encontro consonantal válido em português. Sequências como "px" ou "kz" simplesmente não existem no nosso repertório silábico, então qualquer ferramenta que treata todas as pares de consoantes como encontros consonantais vai gerar ruído.
Dígrafos são ainda mais traiçoeiros porque representam um único fonema com duas letras. Os clássicos são "lh", "nh", "ch", "rr" e "ss". Mas há os dígrafos consonantais menos discutidos, como "sc" (em "descer"), "sç" (em "conscience" — raro mas presente em empréstimos), "xc" (em "exceção") e até "qu" e "gu" quando precedidos de vogal e seguidos de "e" ou "i" sem o acento gradu. Essas combinações não se dividem na separação silábica, o que mata muita automação ingênua.
Um exemplo específico que me deu trabalho
Estava processando uma lista de palavras para um corretor ortográfico interno quando me deparei com formas como "enxerga", "desenho" e "quase". O separador silábico padrão do library que estávamos usando tratava "nh" e "lh" como encontros consonantais simples, cortando a palavra antes deles. Isso gerava segmentações absurdas tipo "en-xer-ga" quando o correto seria "en-xer-ga" — na verdade, o problema era que o separador estava isolando o "x" sozinho, criando sílabas huérfãs. A solução foi tratar dígrafos como blocos indivisíveis antes de qualquer operação de separação silábica. Criei um dicionário de mapeamento com os dígrafos do português em ordem decrescente de comprimento ("mlx" não existe mas "nh", "lh", "ch" sim) e fiz um replace temporário que substitui cada dígrafo por um placeholder único durante a tokenização. Depois de separar as sílabas, devolvo os placeholders aos dígrafos originais. Funciona para 99% dos casos. Os 1% restantes são estrangeirismos e archaísmos que não valem a pena caçar.
O que ninguém te conta sobre os casos limites
Vogais adjacentes nem sempre são ditongo ou hiato. Em palavras como "pária" ou "bóia", você tem um hiato, mas a pronúncia pode variar regionalmente. Em partes do Nordeste, "bóia" soa como se fosse um ditongo aberto, enquanto no Sul a distinção silábica é mais marcada. Ferramentas de análise fonológica que não consideram variação dialetal vão classificar errado metade dos falantes. Outro ponto que causa confusão: a letra "h" nunca faz parte de um encontro consonantal nem de um dígrafo em português padrão. Ela é mute e serve apenas para preservar a etimologia ou diferenciar homógrafos. Então "ch" é um dígrafo, mas "h" sozinho nunca se encaixa em nenhuma das categorias que estamos discutindo. Já vi implementações que tratavam "h" como parte de encontro consonantal — isso gera segmentações completamente erradas em palavras como "ahijado" (arqueado) ou "rehaver".
Os dígrafos "rr" e "ss" também merecem atenção especial. Eles nunca se separam na divisão silábica quando aparecem no meio da palavra: "car-ro", "pas-so". Mas em compostos ou derivações com prefixação, a regra muda. "Des-rre-der" mantém o "rr" unido por questões morfológicas, mesmo que fonologicamente a fronteira seja diferente. Isso significa que uma regra puramente fonológica não basta — você precisa de regra morfofonológica.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Como implementar a identificação correta
Passo 1: normalização ortográfica
Antes de qualquer análise, converta tudo para minúsculas e normalize a acentuação. Palavras como "péla" e "pela" são grafias distintas com valores silábicos diferentes — a primeira é hiato (pé-la), a segunda é ditongo (pe-la). Se você remover os acentos antes de analisar, vai confundir os dois casos. Isso parece óbvio mas é o erro mais frequente em pipelines automatizados.
Passo 2: identificação de dígrafos
Varra a palavra procurando dígrafos em ordem. A ordem importa porque sequências como "qu" podem ser interpretadas erroneamente como encontro consonantal se você não tratar o "q" e o "u" como unidade first. A lista completa de dígrafos consonantais do português é: ch, lh, nh, rr, ss, sc, sç, xc, xs. Para os dígrafos vocálicos, não existe convenção universal — o importante é reconhecer ditongo e hiato diretamente.
Passo 3: separação de vogais adjacentes
Para vogais consecutivas, a decisão entre ditongo e hiato depende de três fatores: se uma delas é semivogal (i, u tônicos ou átonos em certos contextos), se há ditongo nasal (ã, õ, am, om) e a acentuação gráfica. Ditongos crescentes têm a semivogal depois da vogal (pai, céu). Decrescentes têm a semivogal antes (iou, uau). Hiato puro é quando ambas são vogais plenas (saúde, peça). Se as duas vogais forem iguais, como em "avó", o padrão é hiato.
Passo 4: validação de encontros consonantais
Nem todo par de consoantes é um encontro válido. Use uma lista de bi-consoantes permitidas no português brasileiro: bl, br, cl, cr, dr, fl, fr, gl, gr, pl, pr, dl, tl, nl, rl. Sequências como "mn", "pt", "bs" só aparecem em empréstimos ou compostos e precisam de tratamento diferenciado. Fazer essa validação impede que seu sistema classifique erroneamente consoantes de sílabas diferentes como encontro consonantal.
Passo 5: aplicação morfofonológica
Em prefixos e compostos, a fronteira silábica pode não respeitar as regras puramente fonológicas. "Internacional" tem "rn" que parece encontro consonantal mas na verdade atravessa a fronteira morfológica (in- + ternacional). A separação correta é in-ter-na-cio-nal, não in-ter-nacio-nal. O mesmo vale para "desenheirar": o "nh" é dígrafo mas a separação é de-sen-hei-rar, não des-en-hei-rar. Manter um dicionário de formas irregulares para os 5% mais frequentes resolve a maioria dos problemas práticos.
Resultado esperado
Com esse pipeline, a cobertura para palavras do português padrão fica em torno de 97-98%. Os erros restantes são quase sempre de estrangeirismos não assimilados, arcaísmos ou neologismos. Para uso em corretores, segmentadores ou geradores de sílabas para ensino de língua, isso é suficiente. Se você precisa de 100% de precisão, o caminho é manter um lexicon atualizado e usar regras de fallback baseadas em frequência estatística. O ponto principal é que encontros vocálicos consonantais e dígrafos não são categorias isoladas — elas interagem de formas que dependem da morfologia, da fonologia e até da variação dialetal. Tentar resolver tudo com regras puramente fonológicas é a principal armadilha. Trate os dígrafos como átomos indivisíveis, valide os encontros consonantais contra um inventário conhecido e não ignore a acentuação. O resto se resolve com bom senso e uma lista razoável de exceções morfofonológicas.
