Qué sonido sigue a cuál
Los 111 sonidos del AFI son los vértices, dispuestos en espiral. Elige una de las once lenguas y un sonido: las aristas muestran qué sonidos lo siguen o lo preceden dentro de una palabra, y la lista dice cuáles no aparecen nunca a su lado.
Cómo se hizo
- Corpus. Español, inglés, francés, alemán, ruso y chino: las 20 000 palabras más frecuentes según las listas de subtítulos de OpenSubtitles (2018) que tienen pronunciación. Latín: las 20 000 formas más frecuentes de diez autores clásicos de la Perseus Digital Library. Árabe: las 14 000 entradas de Wiktionary con pronunciación (vía WikiPron), las frecuentes primero. Suajili: las palabras de unos mil artículos de la Wikipedia en suajili, en minúscula. Japonés: las palabras comunes del diccionario EDICT. Tuyuca: las 900 formas distintas de su lista del Intercontinental Dictionary Series (trabajo de campo de Barnes y Malone). Se cuenta por palabra distinta: una arista de 300 significa que 300 palabras distintas contienen esa secuencia.
- Los corpus no son iguales: el tuyuca tiene unas veinte veces menos palabras (lo que hay documentado en abierto), el latín es literatura, el árabe y el japonés son diccionarios y el suajili, enciclopedia. La densidad, las listas de «nunca» y las raras dependen del tamaño del corpus; compara con cuidado.
- Español de España: reglas desde la ortografía, con distinción [θ]/[s], yeísmo (ll = y → [ʝ]) y [x] para j y ge/gi; [β ð ɣ] para /b d g/ salvo al principio de palabra, tras nasal y /d/ tras /l/; asimilación de la nasal; sonorización de /s θ/ ante consonante sonora; semivocales [j w]. Se filtran la mayoría de los nombres propios, las palabras inglesas y las siglas de los subtítulos.
- Inglés: CMU Pronouncing Dictionary (inglés general estadounidense), con la vibrante simple [ɾ] de water y la oclusiva glotal [ʔ] de button. No se marcan la aspiración ni la l velarizada.
- Alemán: la pronunciación de Wiktionary (german-ipa-dict). Se quitan la longitud (aː → a), la oclusiva glotal ante vocal ([ʔ]apfel, que las demás fuentes no escriben) y las marcas de sílaba (-en = [n m ŋ], -el = [l]). La r vocalizada es [ɐ]. Se dejan fuera las palabras con sonidos de préstamo inglés o francés.
- Latín: pronunciación clásica restituida, por reglas: c = [k], v = [w], qu = [k w], x = [k s], gn = [ŋ n], b ante s/t = [p], ae oe au = [a j] [o j] [a w], i consonántica = [j] (doble entre vocales: maior = [majjor]); ph th ch = [p t k]. Los textos no marcan la cantidad vocálica y no se modela.
- Francés, ruso y árabe: la pronunciación de Wiktionary tal como la recoge WikiPron (francés y árabe en transcripción amplia, ruso en estrecha, con la reducción vocálica [ɪ ə ɐ]). Las reglas comunes de abajo funden lo que la tabla no distingue: las vocales nasales francesas con las orales (ɑ̃ → ɑ), las consonantes palatalizadas rusas con las duras (rʲ → r), las enfáticas árabes con las simples (tˤ → t). La shadda árabe y las consonantes largas rusas cuentan doble. Se dejan fuera las palabras con un sonido que usan menos de 15 palabras de la lengua (préstamos).
- Suajili: reglas desde la ortografía, casi fonémica: ch = [t ʃ], j = [d ʒ], ny = [ɲ], ng' = [ŋ], ng = [ŋ ɡ]; las prenasalizadas mb, nd, ng son dos vértices. No se modela la pronunciación implosiva de b d j g que tienen algunos hablantes.
- Tuyuca: las formas fonológicas segmentadas del IDS, pasadas a fonéticas con la armonía nasal de las lenguas tucanas: en un morfema con vocales nasales, b d g y r suenan [m n ŋ n] (la forma «bãdã» se dice [mãnã]). Luego la nasalidad de la vocal se quita como las demás marcas. Sus «letras» son los grafemas de la fuente. Se eligió el tuyuca y no el pirahã porque de este solo hay unas 200 palabras en abierto, frente a más de mil del tuyuca.
- Chino mandarín: el pinyin de CC-CEDICT pasado a AFI por reglas; sus «letras» son el pinyin. Se quitan los tonos y la aspiración: pinyin b y p son ambos [p], d y t [t], g y k [k], z y c [ts], zh y ch [ʈʂ], j y q [tɕ], así que esas parejas se funden en un solo vértice. La i «vacía» de zi ci si es [ɹ] y la de zhi chi shi ri es [ɻ]. Semivocales [j w ɥ].
- Japonés: la lectura en kana de EDICT pasada a AFI por reglas; sus «letras» son los kana. u = [ɯ], r = [ɾ]; si chi tsu hi fu = [ɕi tɕi tsɯ çi ɸɯ]; kya = [k j a] (la palatalización no es un vértice); ん se asimila ([m n ŋ ɲ], [ɴ] al final); っ duplica la consonante siguiente; la vocal larga (ー, ou) cuenta como una sola vocal.
- En todas: un vértice por segmento. Los diacríticos no son vértices de la tabla y se quitan (aspiración, palatalización, faringalización, nasalidad, tono); las vocales largas cuentan una vez y las consonantes largas, dos. Lo que es un solo sonido pero no un solo símbolo de la tabla (africadas como tʃ y ts, diptongos como eɪ o aɪ) se parte en vértices consecutivos y crea aristas. Las semivocales [j w ɥ] cuentan como consonantes. Solo se cuentan las transiciones dentro de la palabra; el principio y el final de palabra se dan aparte.
- Una transición es rara si la llevan menos de 3 palabras y, en las lenguas con frecuencias, ninguna está entre las 1000 más frecuentes. Las raras se dibujan con trazo discontinuo: suelen ser préstamos, compuestos o errores del corpus. «Nunca» significa cero palabras en este corpus, no que sea imposible en la lengua.
- Letras: junto a cada sonido van las letras (o kana, o notación) que más a menudo lo escriben. En inglés y alemán salen de alinear cada palabra con su pronunciación; las que no se alinean limpiamente no cuentan para las letras. Si unas letras escriben un sonido partido en dos vértices, se indica el sonido entero (‹ch›, parte de tʃ).
- Estadísticas: se calculan sobre el grafo dirigido de cada lengua, por defecto sin las transiciones raras. La búsqueda de ciclos y caminos hamiltonianos tiene un límite de pasos; cuando no puede haber ciclo, la página da la prueba (un grupo de sonidos con menos sucesores o predecesores posibles que sonidos, condición de Hall), no solo «no encontrado».
Fuentes
- CMU Pronouncing Dictionary, Carnegie Mellon University (licencia BSD).
- FrequencyWords, de Hermit Dave, a partir de OpenSubtitles 2018 (CC BY-SA 4.0): español, inglés, francés, alemán, ruso, árabe y chino.
- WikiPron (CUNY), pronunciaciones de Wiktionary para francés, ruso y árabe, y german-ipa-dict, a partir de Wiktionary, vía ipa-dict (CC BY-SA).
- CC-CEDICT (CC BY-SA 4.0) y EDICT2 del Electronic Dictionary Research and Development Group (CC BY-SA 4.0).
- Perseus Digital Library, canonical-latinLit (CC BY-SA 4.0), y la Wikipedia en suajili (CC BY-SA 4.0).
- Intercontinental Dictionary Series, versión segmentada de Lexibank (CC BY 4.0): la lista tuyuca de Janet Barnes y Terry Malone.
- Los recuentos de esta página se derivan de esas fuentes y se comparten con la misma licencia.