Por que o Vulgate usa TEI XML

Como a codificação XML estruturada torna seus documentos pesquisáveis, citáveis e prontos para trabalho acadêmico.

21 de mai. de 2026

Todo documento que chega ao Vulgate é codificado como TEI XML — o formato XML da Text Encoding Initiative, o padrão de fato para edições digitais acadêmicas. Você não precisa escrever ou mesmo ver o XML, mas ele sustenta quase tudo que o Vulgate faz bem.

O que é TEI XML

TEI XML é um vocabulário de tags XML para descrever a estrutura e a semântica de um texto — material preliminar, corpo, capítulos, seções, notas marginais, notas de rodapé, marcações de orador, quebras de linha, quebras de página e muito mais. Foi projetado por estudiosos de humanidades no final dos anos 1980 e é mantido por um consórcio internacional hoje.

Diferentemente de texto simples, TEI XML preserva:

  • A hierarquia de um documento (livro → capítulo → seção → parágrafo).
  • Metadados como autor, editor, data de publicação, edição.
  • Aparato como notas de rodapé, marginália e correções editoriais.
  • Números de página e linha ancorados a posições específicas no texto.
  • Turnos de fala em diálogos, sermões e peças.

O que você ganha por causa disso

Essa consciência estrutural é por que o Vulgate pode fazer coisas que ferramentas de texto simples não conseguem:

  • Citações precisas. Citações apontam para seções codificadas no TEI — tipicamente mostradas como título do documento e cabeçalho da seção mais próxima — não intervalos aproximados de caracteres.
  • Chat consciente de seção. Chat e o Assistente de IA no documento recuperam no nível da seção, o que dá respostas mais focadas e precisas do que dividir por contagem de caracteres.
  • Tradução por parágrafo. Traduções automáticas funcionam em parágrafos inteiros porque o limite do parágrafo está codificado no XML.
  • Favoritos estáveis. Favoritos apontam para âncoras estruturais, não offsets de bytes, então eles sobrevivem à reingestão ou edições de documentos.

Como a codificação é produzida

A codificação acontece durante a ingestão, completamente automaticamente:

  1. O texto bruto é extraído (OCR para digitalizações, extração nativa para PDFs pesquisáveis e documentos Word).
  2. Um pipeline de modelos de linguagem segmenta o texto em unidades estruturais.
  3. Cabeçalhos, notas de rodapé, números de página, marginália e turnos de fala são detectados e marcados.
  4. O resultado é serializado para TEI XML e armazenado junto com o arquivo original.

Administradores da Organização podem inspecionar o XML subjacente durante a revisão de documentos em Uploads → Processamento.

Editando a codificação

Se a codificação automática errar algo (uma nota de rodapé faltando, uma quebra de capítulo no lugar errado), um administrador da Organização pode abrir o documento no editor estrutural durante a revisão e ajustar os limites. A IA começa a usar a estrutura corrigida assim que o documento é republicado.

Leitura adicional

Pesquisar ajuda