Analisador de Frequência de Palavras

O Analisador de Frequência de Palavras responde a uma pergunta simples com uma profundidade surpreendente: quais palavras este texto realmente mais utiliza? Cole qualquer bloco de prosa — um post de blog, uma transcrição, um capítulo, uma descrição de cargo, um discurso — e ele classifica cada palavra distinta pela frequência com que aparece, mapeia a distribuição e renderiza uma nuvem de palavras interativa dimensionada por frequência. A ferramenta foi feita para escritores verificarem repetições acidentais de palavras, especialistas em SEO que procuram densidade natural de palavras-chave, estudantes que estudam o vocabulário de um autor, pesquisadores que realizam uma verificação rápida de diversidade lexical e tradutores ou linguistas que exploram um texto desconhecido. Tudo roda no seu navegador ou em nosso servidor e nunca é armazenado.

O que torna este analisador diferente

• Pré-visualização ao vivo enquanto você digita. O painel lateral atualiza instantaneamente a contagem de palavras únicas, total de palavras, TTR (diversidade lexical) e o top 5 ao vivo — sem precisar clicar em Analisar. Você pode testar filtros em segundos.
• Listas de palavras de parada em seis idiomas. Inglês, espanhol, francês, alemão, italiano e português — listas selecionadas, sem excessos desnecessários. Além de um campo livre de palavras de parada personalizadas para nomes de personagens, marcas ou textos padrão.
• Nuvem de palavras dimensionada por raiz quadrada. A maioria dos geradores de nuvem dimensiona as palavras pela contagem bruta, o que significa que a palavra principal pode ter 50× a altura das palavras de classificação intermediária, esmagando visualmente a nuvem. O dimensionamento por raiz quadrada mantém a nuvem legível e é a abordagem padrão do setor desde o Wordle (2009).
• Visualização em pódio dos top 3. Uma olhada nos cartões de ouro/prata/bronze revela as palavras nas quais o seu texto mais se apoia — a primeira coisa a verificar quando você suspeita de repetição acidental.
• Métricas de diversidade lexical. A Relação Tipo-Token e a contagem de hapax legomena fornecem uma pontuação de riqueza, não apenas uma lista bruta de frequências. Uma prosa curta com TTR > 0,6 é rica; uma TTR abaixo de 0,2 em um documento longo indica muita repetição.
• Exportação em CSV com um clique. Baixe ou copie a tabela classificada completa para análise em planilhas.

Como usar esta ferramenta

1. Cole seu texto. Até 200.000 caracteres — cerca de 30,000 palavras, o comprimento de um capítulo longo de romance ou de vários posts de blog combinados.
2. Escolha o idioma das palavras de parada. Se você não filtrar as palavras de parada, o topo da tabela será preenchido com "o", "de", "e" — informativo uma vez, mas nunca mais. Escolha o idioma do seu texto ou selecione Nenhum para uma contagem de frequência totalmente bruta.
3. Defina um comprimento mínimo de palavra. Defina para 3 ou 4 se quiser pular "a", "o", "e", "não". Defina para 1 para manter tudo.
4. Escolha quantos resultados exibir. Top 50 é o ponto ideal para a maioria das prosas; Top 500 oferece toda a extensão da cauda longa.
5. Opções adicionais de alternância. Ative a diferenciação de maiúsculas/minúsculas se você se importa com a diferença entre "Paris" e "paris". Ative a lematização básica para agrupar variações como "correndo", "correu" e "correm" em "correr". Ative a contagem de números se números de versão, anos e estatísticas forem significativos no seu texto.
6. Clique em Analisar. Leia o pódio, examine a tabela com gráfico de barras, dê uma olhada na nuvem e exporte o CSV se quiser se aprofundar.

A matemática por trás das métricas

Como verificar a densidade de palavras-chave para SEO?

Cole o texto da página e informe as palavras-chave desejadas em Verificar densidade de palavras-chave, separadas por vírgulas. Para cada palavra ou frase, você verá o número de ocorrências e a densidade: ocorrências multiplicadas pela quantidade de palavras da frase e divididas pelo total de palavras. O resultado também lista as frases de duas e três palavras mais frequentes, para você conferir quais expressões o texto realmente repete.

Frequência e porcentagem

Para cada palavra distinta \( w \), a contagem é o número de vezes que ela aparece na lista de tokens mantidos, e a porcentagem é \( \text{count}(w) / N \) onde \( N \) é o total de tokens mantidos. A largura da barra é relativa à palavra mais comum para que você possa ver o formato da distribuição num relance.

Relação Tipo-Token (TTR)

\( \text{TTR} = U / N \) onde \( U \) é o número de palavras únicas (tipos) e \( N \) é o total de tokens contados. A TTR é a medida mais simples de diversidade lexical. Um resumo de notícias curto geralmente fica entre 0,5 e 0,7; um romance longo cai para 0,15–0,25 porque as palavras comuns reaparecem constantemente. A TTR é sensível ao tamanho do texto — textos longos sempre têm TTR menor do que textos curtos, portanto, não compare a TTR entre documentos de tamanhos muito diferentes.

Hapax legomena

Um hapax legomenon (grego para "dito uma vez") é uma palavra que aparece exatamente uma vez no texto. A contagem de hapax e a porcentagem de hapax são sinais clássicos da riqueza do vocabulário. Nas obras completas de Shakespeare, cerca de 14.000 de suas 31.000 palavras distintas são hapax — aproximadamente 45%. Um post de blog moderno costuma atingir 60% ou mais de hapax porque não há texto suficiente para que as palavras se repitam.

Dimensionamento da fonte na nuvem de palavras

O tamanho da fonte para a palavra \( w \) na nuvem utiliza o dimensionamento por raiz quadrada entre as contagens mínima e máxima em exibição:

Como comparar a densidade de duas palavras-chave em um artigo?

Informe os dois termos no campo opcional Palavras-chave ou frases-alvo, separados por vírgulas, e analise o texto. Os resultados mostram a contagem e a densidade de cada termo, facilitando a comparação da frequência relativa no texto. Por exemplo, se uma frase aparece 12 vezes em um artigo de 1.200 palavras, sua densidade é de cerca de 1% por contagem de palavras. A densidade é uma medida descritiva, não uma garantia de desempenho nas buscas.

Como evitar que nomes de personagens apareçam entre as palavras mais frequentes?

Adicione os nomes à lista de Palavras de parada personalizadas, separados por vírgulas ou espaços, e analise o texto novamente. Isso remove esses termos da classificação de frequência e mantém o restante do texto disponível para análise. Se precisar distinguir um nome próprio da mesma palavra usada normalmente, experimente o modo Sensível a maiúsculas e minúsculas, que separa as formas com capitalização diferente. Confira a lista personalizada para não excluir uma palavra que queira contar.

Por que palavras como “o” e “e” aparecem no topo dos resultados?

Palavras comuns como essas aparecem com frequência em textos em português e podem dominar uma classificação de frequência sem filtros. Escolha uma lista de palavras de parada em português para filtrar palavras funcionais comuns e destacar os termos relacionados ao conteúdo. Se quiser uma contagem bruta de todas as palavras, selecione Nenhuma. Você também pode definir um comprimento mínimo de palavra ou adicionar palavras de parada personalizadas para concentrar a classificação no vocabulário relevante à sua análise.

\( \text{size}(w) = 60\% + 180\% \cdot \dfrac{\sqrt{\text{count}(w)} - \sqrt{\text{min}}}{\sqrt{\text{max}} - \sqrt{\text{min}}} \)

Isso comprime o alcance dinâmico para que uma palavra que aparece 200× tenha cerca de 3× a altura de uma palavra que aparece 20×, e não 10×. Sem essa compressão, a nuvem seria dominada por apenas uma ou duas palavras gigantes.

Níveis de frequência codificados por cores

As barras e as palavras da nuvem são codificadas por cores de acordo com o nível de classificação para que você possa identificar o formato da sua distribuição num relance:

Casos de uso

Escritores — detectando repetição não intencional

Você ficará surpreso com a frequência com que uma única palavra ("rapidamente", "realmente", "essencialmente", o nome de um personagem) entra furtivamente no topo do seu rascunho. Cole um capítulo e observe o pódio de ouro-prata-bronze. Se uma palavra de conteúdo aparecer ali sem que você a tenha enfatizado conscientemente, você tem um vício de linguagem para editar.

SEO e marketing de conteúdo

Defina o filtro de palavras de parada e o comprimento mínimo e depois leia as top 25. Essas são as palavras que os mecanismos de pesquisa mais associarão à sua página. Se elas não corresponderem ao seu grupo de palavras-chave ideal, o SEO da sua página terá um desempenho abaixo do esperado. Evite o excesso de palavras-chave (keyword stuffing) — os algoritmos modernos penalizam a densidade não natural. Não existe uma densidade ideal de palavras-chave; escreva naturalmente e use esta verificação para detectar excessos acidentais.

Estudo literário e estilística

Cole um capítulo de Dickens versus Hemingway e compare a TTR, a porcentagem de hapax e o comprimento médio das palavras. As impressões digitais numéricas dos estilos de escrita são incrivelmente consistentes em todas as suas obras — essa é a base da estilometria computacional.

Análise de discursos e transcrições

Políticos e CEOs têm suas palavras favoritas. Execute um discurso no analisador com as palavras de parada removidas e as top 15 revelarão a estratégia da mensagem. Compare dois discursos do mesmo palestrante para ver o que mudou.

Tradução e aprendizado de idiomas

Ao trabalhar em uma tradução, execute o texto de origem primeiro para ver quais palavras de conteúdo dominam. Certifique-se de que sua tradução preserve a mesma ênfase. Para estudantes, escolher um artigo de 200 palavras e executá-lo sem filtragem de palavras de parada mostra quais palavras funcionais você precisa reconhecer fluentemente.

Pesquisa e escrita acadêmica

Muitos periódicos científicos esperam um vocabulário controlado nos resumos. Uma verificação de frequência antes do envio detecta o uso excessivo e acidental de jargões. Pesquisadores que realizam estudos de linguística de corpus usam listas de frequência como entrada inicial para trabalhos de colocação, n-gramas e modelagem de tópicos — esta ferramenta gera essa entrada.

Configurações recomendadas por tipo de documento

Perguntas frequentes

O que conta como uma "palavra"?

O tokenizador identifica uma ou mais letras Unicode, opcionalmente unidas por apóstrofos ou hífens. Assim, don't, state-of-the-art e l'ovvio são considerados, cada um, uma palavra. Os números são excluídos por padrão — ative "Contar números" se quiser incluí-los. O tokenizador funciona com os alfabetos Latino, Cirílico, Grego e escritas CJK.

O que o lematizador básico faz e o que ele não faz?

Ele realiza três transformações leves: remove o 's possessivo do inglês, agrupa terminações verbais comuns (-ing, -ed) e plurais simples (-s, -es, -ies → -y). Ele não realiza uma lematização morfológica completa (como melhor → bom, fui → ir). A lematização completa exigiria incluir o léxico WordNet e seria um exagero para a análise de frequência, onde as formas exatas das palavras costumam ser o que você deseja ver. Essa abordagem conservadora também evita as piores falhas de agrupamento radical: unir palavras semanticamente distintas (como "universidade" e "universo").

Por que a pré-visualização ao vivo e o resultado do servidor diferem ligeiramente?

A pré-visualização ao vivo apenas filtra palavras de parada em inglês no lado do cliente para manter o script leve — outros idiomas são totalmente filtrados no servidor. O servidor também aplica a lematização básica quando ativado. A contagem total de tokens é sempre a mesma entre os dois.

A ferramenta suporta escritas não latinas?

Sim — o tokenizador usa classes de caracteres Unicode, de modo que textos em Cirílico, Grego, Árabe, Hebraico, Chinês, Japonês e Coreano são tokenizados corretamente. O Chinês e o Japonês não usam espaços entre as palavras, portanto, cada sequência contínua de caracteres CJK é tratada como um único "token" — para uma segmentação de palavras real nesses idiomas, você precisaria de um tokenizador dedicado como o jieba (Chinês) ou MeCab (Japonês).

Qual é o limite máximo para o tamanho do texto?

200.000 caracteres por execução — cerca de 30.000 palavras em inglês ou um capítulo típico de romance. Além disso, a memória do navegador e o tamanho da requisição tornam-se uma preocupação; divida seu texto em partes menores.

O meu texto é privado?

Sim. O texto é processado em memória para renderizar a página de resultados e nunca é gravado no disco. As miniestatísticas ao vivo enquanto você digita rodam inteiramente no seu navegador. Nós não registramos, armazenamos ou analisamos o conteúdo que você cola.

Uma breve história da análise de frequência de palavras

As listas de frequência de palavras estão entre as ferramentas mais antigas da linguística. A primeira concordância gerada por máquina foi o Index Thomisticus do Padre Roberto Busa, produzido entre 1949 e 1980, que contou cada palavra nas obras de Tomás de Aquino usando máquinas de cartões perfurados da IBM — amplamente considerado o projeto fundador das humanidades digitais. O Brown Corpus, compilado e publicado em 1963–64 com base em textos impressos em 1961, forneceu a primeira lista de frequência de um milhão de palavras amostrada sistematicamente do inglês americano moderno. Hoje, cada mecanismo de pesquisa, sistema de tradução automática, grande modelo de linguagem e ferramenta de SEO funciona com estatísticas de frequência de palavras e tokens em larga escala. A mesma classificação simples baseada em contadores que você vê nesta ferramenta é o núcleo desse campo de estudo.