A diferença entre lh e li não é só ortografia, é etimologia com vício de tabela
O maior problema de quem programa processadores de texto ou trabalha com correção automática é que o brasileiro médio escreve "lírio" com h porque ouviu alguém falar de um jeito só, e depois se perde nos casos em que o som é idêntico mas a grafia é diferente. Eu passei uma manhã inteira debugando um script de validação de entrada porque as regras de disjunção fonética em PT-BR não estavam mapeadas para famílias verbais com sufixação irregular, e no final a solução foi simplesmente cruzar um dicionário etimológico com a lista oficial do Vocabulário Ortográfico e levar duas horas pra deixar rodando sem falso positivo.
Palavras com lh ou li — o que realmente diferencia os dois casos
lh representa o fonema //, aquele "l palatal" que existe em palavras como oliveira, telhado, filho, palha. É um digrafo fixo que nunca se separa em sílabas diferentes no português padrão. li pode aparecer como seqüência de L + vogal (como em lixo, linha, lírico), mas também em casos de flexão onde o L original encontra o sufixo -ia: criar criação, criador criadora. O que ninguém ensina direito é que a regra prática não é "soa igual então é a mesma coisa". A regra é: se a raiz da palavra já vem com L antes de vogal no latino ou no grego, e o português manteve essa estrutura, você vai ter Li. Se a palavra evoluiu de um grupo consonantal que se fusionou, você vai ter Lh.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Exemplo concreto: velho vem do latim vetulus, onde o T desapareceu e o grupo LH se formou por palatalização. Já veludo vem do latim velutem, onde o L permaneceu antes de vogal. O som é basicamente o mesmo na fala coloquial, mas a grafia não obedece ao som, obedece à linhagem histórica. Na prática, para quem tá construindo algo que precisa classificar ou corrigir automaticamente, o caminho mais barato é não confiar em reglas fonéticas puras. Eu usei uma abordagem híbrida: primeiro um filtro baseado em listas de palavras já certificadas pelo dicionário para os casos óbvios, e depois um módulo de heurística que verifica se a sequência "li" poderia ser parte de uma flexão válida (derivadas de infinitivo em -iar, por exemplo: enviaria, enviarias, enviaram). Esse segundo passo capturou uns 12% dos erros que o filtro inicial deixava passar, mas introduziu falsos positivos em palavras como ilírio e olímpico — aí você precisa de uma lista negra de exceções que cresce conforme testa em corpus real.
Outra armadilha comum: palavras com "lhi" na verdade não existem como forma padrão. O h aqui serve apenas para marcar a palatalização do L, então você nunca vai achar "alhir" ou "enlhar" em nenhuma conjugação regular. Se o usuário digitou uma forma assim, é quase certo um erro de digitação e não uma variante dialectal legítima. Eu perdi tempo tentando justificar um case desses num sistema de autocorreção até perceber que simplesmente não havia registro no Houaiss nem no Aurélio — e nesse caso a resposta correta era rejeitar a entrada, não sugerir uma grafia "por aproximação fonética". Se você precisa de uma lista grande e confiável pra treinar algum modelo ou pro usuário consultar, o link direto pra versão oficial do VOLP da Academia Brasileira de Letras é o que tem menos margem pra erro. Custa cerca de uns vinte minutos pra baixar o CSV e transformar em índices lookup, mas depois o tempo de consulta por palavra cai pra menos de três milissegundos em memória, o que é mais do que suficiente pra interface de usuário sem travamento.
