Silabareo

Utilitarios para generar palabras separadas en sílabas y construcción de diccionario para Plover.

Generación de reglas de silabación

$ python3 tex_syllabation_rules_gen.py build/patterns.txt
$ perl utils/substrings.pl build/patterns.txt build/patterns_for_hyphen.txt UTF-8 1 1
$ python3 utils/hyphenate.py <palabra>

• tex_syllabation_rules_gen.py implementa las reglas de separación silábica encontradas aquí 6.2 Reglas de silabación.
• utils/substrings.pl se toma originalmente del proyecto Hunspell, este script perl se encarga de convertir los patrones generados por tex_syllabation_rules_gen.py (que es un formato patgen de TeX) al formato de Libhnj, que entiende utils/hyphenate.py.
• utils/hyphenate.py es una adaptación del original encontrado en el proyecto RLA-ES. La clase Hyphenator permite separar una palabra de acuerdo a los patrones recibidos.

Silabación ajustada

Llegado este punto, tenemos una separación en sílabas bastante robusta, pero aún no está completa debido a una serie de casuísticas difícles de implementar en formato de patrones sin que colisionen entre sí. Recurriremos al script syllabation_adjustment.py para hacer estos ajustes.

$ python3 syllabation_adjustment.py <palabra>

El resultado debería ser una separación silábica final basada (mayormente) en la fonética de la palabra, por ejemplo: "postdata" -> "pos-da-ta", la t es descartada, ya que en la mayoría de los casos no sumaría a la definición de la sílaba para asignarle su acorde en Plover, el cual quedaría así "POS/TKA/TA": "postdata".

Generación de diccionario Plover

En base a las herramientas mencionadas en pasos anteriores, creamos el script plover_spanish_dict_gen.py. Este se encargará de hacer la traducción de las sílabas de las palabras que le pasemos a su correspondiente acorde, teniendo en cuenta las reglas definidas en plover_system_spanish_eo_variant.

Aparte de generar el diccionario final, adicionalmente genera dos posibles archivos: uno con fallas de traducción (no consiguió aplicar las reglas del plugin) y otro con colisiones detectadas (debido a las reglas del plugin, más de una palabra coincide con el mismo acorde).

Estos archivos deberán tenerse en cuenta para un análisis posterior y ayudarán a determinar si este script (o los pasos anteriores) contienen casos no considerados, o bien hay que procesar entradas manualmente por la vía de la excepción.

Una ejecución de prueba sobre un corpus de 100 mil palabras mostró un 6.6% de fallas de traducción y un 2,3% de colisiones. La intención es reducir este porcentaje al mínimo por medio de:

• Utilización de corpus con entradas más limpias
• Verificación de reglas de silabació faltanes/erróneas
• Posibles adaptaciones de reglas del plugin del sistema en español

Agrego un pequeño archivo de pruebas denominado mini_corpus_test.txt en el repositorio sólo para verificar su funcionamiento.

La salida principal es un diccionario .json con los acordes correspondientes de las palabras del corpus. Con la depuración apropiada de estas entradas, el diccionario se puede publicar como parte del diccionario principal del plugin plover_spanish_system_eo_variant.

Testing

$ python3 tests/syllabation_test.py
$ python3 tests/syllabation_adjustment_test.py

Referencias

• RLA-ES, Recursos Lingüísticos Abiertos del Español.
• Hunspell en github
• Reglas de silabación y Reglas de ajuste silábico, del trabajo "LA TRANSCRIPCIÓN FONÉTICA AUTOMÁTICA DEL DICCIONARIO ELECTRÓNICO DE FORMAS SIMPLES FLEXIVAS DEL ESPAÑOL: ESTUDIO FONOLÓGICO EN EL LÉXICO", publicado en Estudios de Lingüística del Español Volumen 4 (1999), a pesar de lo añejo, lo descrito en los capítulos que usé fue extremadamente útil y el contenido considero que sigue muy vigente.

TO-DO

• Aplicar reglas de compactación para generar acordes complementarios, según reglas/sugerencias del plugin plover_spanish_system_eo_variant, ejemplo: "PO/HREU/TEU/KA":"política", se puede complementar con una entrada más corta, "PO/HREU/TEUBG":"política"
• Considerar la inclusión de reglas de presilabación para palabras excepcionales, ver 6.8. Reglas de presilabación: PRESILAB.

Agradecimientos

• En especial a Santiago Bosio (RLA-ES) por tirarme la punta de ovillo para poder encontrar un enfoque más apropiado.
• spaniard, roalheva, defunkydrummer y nvdaes de la comunidad de Plover <3