Auto ditado sílabas complexas: o que funciona na prática
O auto ditado de sílabas complexas é uma ferramenta de treinos fonológicos usados principalmente em fonoaudiologia e alfabetização. A ideia básica é apresentar ao usuário sílabas com encontro consonantal, difongos, ou estruturas mais desafiadoras, e pedir para ele repetir ou transcrever. O sistema grava, avalia e dá feedback automático. Não é magia. É reconhecimento de fala aplicado a unidades menores do que palavras inteiras. Isso ajuda porque o processamento silábico é menos tolerante a ruído — erros ficam mais evidentes, o que é útil para diagnóstico e acompanhamento.
Como configurar o auto ditado silabas complexas para uso clínico
No meu fluxo de trabalho, comecei usando arquivos de áudio pré-gravados com sílabas como /pla/, /bru/, /trs/, /flor/, /grão/. A configuração mínima que precisa existir é: um banco de áudio limpo (sem ruído de fundo), uma frequência de amostragem de pelo menos 16 kHz, e um prompt de resposta bem definido — seja repetição oral ou escrita. Usei inicialmente o Vosk como motor de reconhecimento por ser leve e rodar offline. O problema é que o Vosk não lida bem com sílabas isoladas sem contexto. Ele tende asilabar ou a assumir palavras inteiras. A solução foi segmentar as sílabas com silêncio de 300ms entre cada uma, e usar um grammar file (.txt) listando exatamente os conjuntos de sílabas que eu ia testar. Isso reduziu falsos positivos em cerca de 40% no meu conjunto de testes.
Por que sílabas complexas são diferentes das simples
Sílabas com onset complexo (dois ou mais consonantes juntas) exigem articulação mais precisa. O aluno precisa planejar a transição entre os sons. Sistema de ditado automático mal calibrado ignora isso e dá crédito por uma produção imprecisa porque a transição soa "razoavelmente perto". Eu já vi casos em que o sujeito pronunciava /pras/ como /plas/ e o sistema marcava como correto. O workaround que adotei foi adicionar uma janela de tolerância dinâmica: se a sílaba contém encontro consonantal, o threshold de similaridade sobe de 0.75 para 0.88. Isso elimina muitos falsos positivos sem aumentar drasticamente os falsos negativos. Também passei a exigir dois tentativas consecutivas corretas antes de considerar a sílaba dominada, em vez de aceitar acertos isolados.
Estrutura de dados que realmente funciona
Organize as sílabas em camadas de complexidade crescente: Sílaba simples (CV): /ba/, /de/, /fi/
Sílaba com coda (CVC): /bat/, /fed/, /fil/ Encontro consonantal no onset (CCV): /pra/, /bra/, /tra/, /cla/
👉 Clique no botão abaixo para saber mais sobre o assunto!
Ditongo e tritongo (VV, VVV): /lia/, /raiz/, /uruguai/ Sílabas com sílaba tônica variável: /mágico/, /telef one/, /rápido/
Cada camada precisa de seu próprio grammar file e seu próprio threshold de aceitação. Misturar tudo num único arquivo de gramática gera confusão no modelo e piora a precisão.
Limitações que ninguém menciona
O auto ditado sílabas complexas falha completamente com usuários que têm sotaque regional muito marcado. Um falante do Nordeste brasileiro pode pronunciar /rh/ como /x/ ou /h/, e o sistema interpreta como erro mesmo quando a produção está fonologicamente consistente com a variante. Não recomendo usar essa ferramenta isoladamente com pacientes de regiões com variações fonéticas intensas sem antes fazer um calibração com amostras locais. Também não funciona bem com crianças muito pequenas (até 5 anos). O tempo de atenção e a precisão articulatória ainda estão em desenvolvimento, e o sistema tende a marcar muitos erros que são simplesmente normais para a faixa etária. Nesse caso, o ditado manual com registro por observação continua sendo mais confiável.
Download e implementação
Disponibilizei um repositório com os grammar files organizados por nível de complexidade, exemplos de áudio limpo, e um script Python que usa Vosk com janelas de tolerância dinâmicas. O link está no final. Inclui também um arquivo de configuração para o Praat, caso prefira análise acústica manual como complemento. Se você vai implementar, comece com um lote pequeno de 50 sílabas e valide contra transcrições manuais antes de escalar. Leva cerca de duas horas para configurar tudo corretamente na primeira vez, mas depois o processo de teste de 200 sílabas leva aproximadamente 15 minutos com feedback imediato.
Repositório: https://github.com/agnesian/auto-ditado-silabas-complexas
