cursoitaliano/tools/pronuncia.mjs

#!/usr/bin/env node
/**
 * Anotacoes de pronuncia para o Italiano Vivo.
 *
 * O italiano e fonetico, mas varios grupos de letras soam DIFERENTE do que um
 * falante de PT-BR espera ler. Casos onde o som "muda" em relacao a leitura
 * portuguesista:
 *   Voglio/griglia  -> GLI = som de 'lh' ('vó-lho'), nunca 'vóglio'
 *   bagno/giorno    -> GN = 'nh'; GG antes de E/I = 'dj' macio
 *   scusi/cena      -> SC/C antes de I/E = 'ch' italiano; SCH mantem 'sk'
 *   che/chi         -> CH = K seco, nunca 'tch'
 *   grazie/piazza   -> Z/ZZ = 'ts' surdo ('grá-tsie', 'pít-tsa')
 *   casa/stazione   -> S entre vogais = 'z'; S + surda = 'z' mudo
 *   piatto/palla    -> consoante dupla alonga o som (muda significado!)
 *
 * Detecta esses padroes nas frases (chunks e dialogos) das missoes e grava o
 * campo `pronuncia` (dica curta em PT-BR citando a palavra da frase).
 *
 * Uso:
 *   node tools/pronuncia.mjs            # dry-run: relatorio por missao
 *   node tools/pronuncia.mjs --write    # grava "pronuncia" em content/missions/*.json
 */

import { readFileSync, writeFileSync, readdirSync } from "node:fs";
import { join, dirname } from "node:path";
import { fileURLToPath } from "node:url";

const __dirname = dirname(fileURLToPath(import.meta.url));
const MISSIONS_DIR = join(__dirname, "..", "content", "missions");

// Palavras funcionais que nao devem disparar regras (evita falsos positivos).
const SKIP_WORDS = new Set([
  "e", "un", "una", "uno", "il", "lo", "la", "i", "le", "di", "a", "ad",
  "al", "alla", "allo", "da", "dal", "dalla", "in", "con", "su", "per", "tra",
  "fra", "non", "si", "mi", "ti", "ci", "vi", "ne", "ho", "hai", "ha", "hanno",
  "sono", "sei", "siamo", "siete", "questo", "questa", "quello", "quella",
  "qui", "qua", "gli",
]);

// Regras por palavra: [id, regexNaPalavra, dicaPT com placeholder {w}]
export const WORD_RULES = [
  ["gl_lh", /gl[iyeò]/i, "'{w}': GLI tem som de 'lh' — fala-se 'vó-lho', nunca 'vóglio'."],
  ["gn_nh", /g[nh]n?|ghn/i, "'{w}': GN tem som de 'nh' (como em 'sonho')."],
  ["sc_x", /sc[ièé]/i, "'{w}': SC antes de I/E tem som de 'ch' italiano (nunca 'sk')."],
  ["sch_sk", /sch[ièé]/i, "'{w}': SCH mantém o K — som de 'sk'."],
  ["ch_k", /ch[eioà]/i, "'{w}': CH é sempre K seco (nunca 'tch' do português)."],
  ["gh_g", /gh[eio]/i, "'{w}': GH mantém G duro mesmo antes de E/I."],
  ["zz_ts", /zz/i, "'{w}': ZZ duplo soa 'tss' longo e surdo (como 'pizza' = 'pít-tsa')."],
  ["z_ts", /(?:^|(?<=[aeiou]))z/i, "'{w}': Z costuma soar 'ts' surdo (como 'grazie' = 'grá-tsie')."],
  ["cc_tch", /cc[h]?[ei]/i, "'{w}': CC antes de E/I soa 'tch' duplo."],
  ["gg_dj", /gg[h]?[ei]/i, "'{w}': GG antes de E/I soa 'dj' macio e longo (como 'giorno')."],
  ["g_soft", /(?<![ghc])g[eièé]/i, "'{w}': G antes de E/I soa 'dj' macio (como 'giorno' = 'djórno')."],

  ["cg_k", /cch/i, "'{w}': CCH soa 'kk' seco e longo (como 'amico')."],
  ["s_inter_vocalica", /[aeiou]s[aeiou]/i, "'{w}': S entre vogais soa 'z' (como 'casa' = 'káza')."],
  ["s_sorda", /s[tcpkf]/i, "'{w}': S antes de consoante surda soa 'z' (como 'stazione')."],
];

function cleanWord(w) {
  return w.replace(/[^\p{L}\p{M}'’-]/gu, "");
}

function normalizeWord(w) {
  return cleanWord(w)
    .normalize("NFD")
    .replace(/[\u0300-\u036f]/g, "")
    .toLowerCase();
}

/** Aplica regras a uma palavra; retorna dicas unicas com a palavra citada. */
function wordHints(word) {
  const norm = normalizeWord(word);
  if (!norm || SKIP_WORDS.has(norm)) return [];
  const out = [];
  for (const [id, re, hint] of WORD_RULES) {
    const m = word.match(re);
    if (!m) continue;
    // SC+I/E que na verdade e SCH nao dispara a regra do 'ch' italiano
    if (id === "sc_x" && /^sch/i.test(m[0])) continue;
    out.push({ id, hint, word: cleanWord(word) });
  }
  return out;
}

export function detectPronuncia(text) {
  const words = text.split(/\s+/);
  const merged = [];
  const seen = new Set();
  for (const w of words) {
    for (const h of wordHints(w)) {
      if (!seen.has(h.id)) {
        seen.add(h.id);
        merged.push({ id: h.id, hint: h.hint.replace("{w}", `“${h.word}”`) });
      }
    }
  }
  // Sons que mais mudam para o brasileiro vao primeiro
  const order = ["gl_lh", "gn_nh", "sc_x", "sch_sk", "ch_k", "gh_g", "zz_ts", "z_ts", "cc_tch", "gg_dj", "g_soft", "cg_k", "s_sorda", "s_inter_vocalica"];
  merged.sort((a, b) => order.indexOf(a.id) - order.indexOf(b.id));
  return merged.slice(0, 2); // maximo 2 dicas por frase
}

export function buildPronuncia(text) {
  return detectPronuncia(text).map((h) => h.hint).join(" ");
}

function main() {
  const write = process.argv.includes("--write");
  const files = readdirSync(MISSIONS_DIR).filter((f) => f.endsWith(".json")).sort();
  let totalTagged = 0;
  let totalItems = 0;

  for (const file of files) {
    const path = join(MISSIONS_DIR, file);
    const mission = JSON.parse(readFileSync(path, "utf-8"));
    let tagged = 0;
    let items = 0;

    const annotate = (obj) => {
      items++;
      const p = buildPronuncia(obj.it);
      if (p) {
        obj.pronuncia = p;
        tagged++;
      } else if ("pronuncia" in obj) {
        delete obj.pronuncia;
      }
    };

    for (const chunk of mission.chunks ?? []) annotate(chunk);
    for (const dialogue of mission.dialogues ?? []) {
      for (const line of dialogue) annotate(line);
    }

    totalTagged += tagged;
    totalItems += items;
    console.log(`${mission.id}: ${tagged}/${items} frases com alternancia de som`);
    if (write) {
      writeFileSync(path, JSON.stringify(mission, null, 2) + "\n", "utf-8");
    }
  }

  console.log(`\n${write ? "GRAVADO:" : "Dry-run:"} ${totalTagged}/${totalItems} frases anotadas em ${files.length} missoes.`);
}

main();